نقدم مكافأة استكشاف لطرق التعلم التعزيزي العميق التي تكون سهلة التنفيذ وتضيف أدنى حمل إضافي للحسابات المُجرَّرة. تتكون هذه المكافأة من خطأ شبكة عصبية تتنبأ بخصائص المشاهدات المعطاة بواسطة شبكة عصبية عشوائية ثابتة ومُبَادَرة بشكل عشوائي. كما نقدم طريقة مرنة لدمج المكافآت الذاتية والخارجية. نجد أن مكافأة التقطير العشوائي للشبكات العصبية (RND) عند دمجها مع هذه المرونة المتزايدة تمكن من تحقيق تقدم كبير في العديد من ألعاب آتاري ذات الاستكشاف الصعب. وبشكل خاص، قد أثبتنا الأداء الرائد في لعبة "مونتيزوما ريفينج" الشهيرة بصعوبتها بالنسبة لطرق التعلم التعزيزي العميق. وفقًا لأفضل علم لنا، هذه هي أول طريقة تحقق أداءً أفضل من المتوسط البشري في هذه اللعبة دون استخدام توضيحات أو الوصول إلى الحالة الأساسية للعبة، وفي بعض الأحيان تتم فيها إكمال المستوى الأول.