محاسبات مربوط به انتخاب مدار نورونی

آزمایش های رفتاری با استفاده از انواع مختلف پارادایم های وظیفه ای به شکل گیری دو دسته گسترده از مدل های ریاضی برای تصمیم گیری منجر شده است. از یک سو ، مدلهای نمونه گیری متوالی، تجمعات اطلاعاتی را که در گذر زمان به نمایش درمی آیند توصیف میکند و دقت عملکرد را تعیین نموده و زمان واکنش دهی را در وظایف ادراکی و حافظه ای نشان میدهد. سوی دیگر، مدل های نظریه بازی و مدل های یادگیری تقویتی ، مربوط به رفتار انتخابی پویا هستند که بر اساس حداکثر سازی سود و ارتباط متقابل با محیط های دیگر و عوامل تصمیم گیری می باشند. ین مدل ها بدلیل توصیف کمی داده های رفتاری و ارزیابی اندیشه های نظری در فرآیندهای شناختی تصمیم گیری مهم هستند. با این حال، برای درک صحیح اساس بیولوژیکی رفتار تصمیم گیری، ساخت مدل های واقعی مدار عصبی بسیار مهم است زیرا به ما این امکان را می دهد که ماشین های عصبی و انبوهی از شبکه های عصبی جمعی پویا را در زیر لایه های تصمیم گیرنده ی مغز کشف کنیم. این امکان به تازگی و به لطف پیشرفت های صورت گرفته در نوروفیزیولوژی حیوانات ، تصویربرداری انسانی و تئوری های جدید

All of the models developed in preceding chapters present analyses at the level of action potential firing rates in major output neurons. This is, however, only one kind of neurbiological modeling. A large and dynamic community of theorists also develop more biophysically detailed models that often make detailed and testable predictions about the dynamics of both neuronal firing rates and behavior. This chapter presents an example of that approach in the study of decision making. The chapter begins by developing biophysically plausible accumulator models of the type described in Chapter 19. It then goes on to show how such a circuit can be endowed with realistic reward-dependent learning to guide value-based decision making. A detailed explanation of how models of this kind account for dopamine-dependent reward learning is provided. The chapter concludes with a discussion of the behavior of models of this class in strategic games, during probabilistic inference and during “irrational”