生长中的神经细胞自动机：模拟生物形态发生，探索自组织系统新可能

模型工程学科研究人员常使用含局部相互作用的模拟本文专注细胞自动机模型以识别细胞层面规则。细胞自动机由网格状细胞组成细胞迭代更新新状态取决于紧邻细胞状态虽简单却有丰富行为和悠久模拟生物现象历史。尝试开发从单个细胞开始在二维网格生成预定义多细胞图案的更新规则设计时需指定细胞状态和更新函数。典型模型用离散值表示细胞状态也有连续值向量变体连续值使更新规则可为细胞邻域状态的可微函数基于局部环境指导细胞行为的规则类似生物体基因组编码的底层硬件规范。可微更新规则能让我们用损失函数表达需求利用梯度数值优化工具实现相关技术历史悠久且近年蓬勃发展。实验包括学习生长、持久即存在、学习再生、旋转感知场四个实验。学习生长实验中训练细胞自动机达到目标图像训练有不稳定性通过对参数梯度应用逐变量的 L2 归一化缓解。持久即存在实验提出基于“样本池”策略让细胞自动机学习维持和改进图案。学习再生实验发现部分模型有再生能力通过损坏样本可增强再生能力。旋转感知场实验通过旋转 Sobel 核产生旋转图案表明模型对未经历过的底层条件有一定鲁棒性。相关工作涉及细胞自动机和偏微分方程、神经网络和自组织、群体机器人学等方面。有大量文献描述细胞自动机和偏微分方程系统应用如艾伦·图灵的图灵图案、格雷 - 斯科特模型等卷积神经网络和细胞自动机联系紧密神经 GPU 有类似计算架构自组织概念随图神经网络普及进入主流机器学习领域也出现在传统动态图网络工作中自组织在群体建模中有应用如雷诺兹的 Boids 模型。讨论包括胚胎发生建模和工程与机器学习两方面。本文描述的胚胎发生和再生简化模型在生物学及其他领域有应用开发存储群体行为系统级目标状态的计算过程模型很重要。模型可想象成由微小独立计算机组成的网格具有均匀、去中心化特点推测可用于设计可靠自组织代理也启发对去中心化学习建模的探索。