순차적 의사결정 문제(Sequential decision problems)는 종종 정보와 의사결정 유연성의 비대칭적 진화를 보여줍니다. 즉, 의사결정 주기가 전개됨에 따라 에이전트(agent)는 더 풍부한 정보를 받는 반면, 운영상의 마감, 약속(commitments) 또는 자원 제약으로 인해 실행 가능한 행동(actions)은 만료됩니다. 표준 MDP(Markov Decision Processes) 공식은 일반적으로 이러한 구조를 단계 의존적 상태 설명(stage-dependent state descriptions)과 행동 마스크(action masks)로 평탄화하여, 어떤 결정이 시급하고 어떤 결정이 연기될 수 있는지를 결정하는 중첩된 정보-행동 비대칭성(information--action asymmetry)을 모호하게 만듭니다. 우리는 이러한 정보-행동 비대칭성을 중심으로 구축된 공식인 성숙하는 마르코프 결정 과정(Maturing Markov Decision Processes, MMDPs)을 소개합니다. 우리는 다음 단계 이전에 반드시 해결되어야 하는 행동을 식별하는 만료 행동 우선순위 원칙(expiring-action priority principle)을 통해 이 모델의 주요 결과 중 하나를 규명합니다. 이러한 구조에 착안하여, 우리는 단계 인식 정책 설계(stage-aware policy design), 만료 행동 추상화(expiring-action abstraction), 그리고 증류(distillation)를 결합한 탐색 증강 학습(search-augmented learning)을 포함하는 구조 인식 강화학습(structure-aware reinforcement learning) 프레임워크를 개발합니다. 통제된 다중 공급업체 보충 문제(multi-supplier replenishment problem), 복잡도가 증가하는 단순화된 현금 관리 환경, 그리고 생산 규모의 시뮬레이터에 대한 실험 결과, 이러한 비대칭성을 명시적으로 모델링하는 것이 학습 효율성을 향상시키며 의사결정 문제가 확장됨에 따라 그 가치가 점점 더 커짐을 보여줍니다.