本论文提出了一种基于内在动机的目标探索算法，结合自主学习过程和增量式目标策略搜寻探索，可以自动生成任务序列并发掘多种技能，无需特定的目标指令，适用于机器人等人工智能设备的自主发展学习。

Aug, 2017

本研究提出使用深度表示学习算法学习目标空间的方法，通过此方法可以发现探索算法，与工程化表示法相比性能表现相匹配。

Mar, 2018

本文提出了一种基于非线性动力学的学习系统，能够通过正反馈循环定义模式，并从时间序列数据中学习层次结构，这个系统在七个实验和两个现实问题中准确度足以超过现有非监督学习算法，同时展示了自组织是如何实现模式识别与简单的动力学方程中出现智能行为的潜力。

Feb, 2023

我们提出了使用基于图的深度神经网络来预测多细胞集体的运动性，并展示了该方法在多细胞生物系统中的应用。随着多细胞数据的增加，我们提议创建一个多细胞数据库，从中构建一个大型多细胞图模型，以进行多细胞组织的普适性预测。

Jan, 2024

研究人工生命领域探讨计算机模拟中类似生命的现象，如自我组织、自主性或自我调节。本文利用机器学习的最新进展，结合多样性搜索、课程学习和梯度下降等算法，自动搜索能够与外部障碍物相互作用并保持完整性的局部结构，即原始形式的感知运动机制。我们展示了这种方法能够系统地找到导致基本机制自组织的细胞自动机环境条件，并通过多个实验证明了发现的个体在移动、保持身体完整性和穿越障碍物方面具有出乎意料的稳健能力，同时还表现出强大的泛化能力，在训练期间没有看到的尺度变化、随机更新或环境干扰方面具有鲁棒性。我们讨论了这种方法在人工智能和合成生物工程领域的新视角。

Feb, 2024

本文探讨了如何使用卷积神经网络及多层感知器等深度学习技术识别复杂动力系统中的规律，着重研究了各类元胞自动机以及其内部规则和神经网络的内部表示方法。

Sep, 2018

本文介绍了如何使用内在动机和深度学习算法来有效生成目标空间，提出了使用解耦目标空间可以更好地进行探索，同时利用模块化学习进度驱动求知型探索，同时发现了环境的独立可控特征。

Jul, 2018

本文利用深度学习和神经元元胞自动机，提出了一种可在硬件上成功应用的模块化 2D 机器人系统，该系统可以通过其组件的本地通信推断其自身的形状类别，实现了自分类的能力。

Mar, 2022

这篇论文介绍了神经元细胞自动机的概念，并探讨了其与卷积神经网络相结合在预测机器方面的应用，以及通过计算每个单元的适应性分数和随机性移动来优化神经元自动机。

Jan, 2023

神经元元胞自动机（NCA）结合了机器学习和机械建模的强大能力。我们通过对图像时间序列和 PDE 轨迹进行训练，使 NCA 学习复杂动态。我们的方法旨在识别支配大规模动态出现行为的潜在局部规则。我们将 NCA 扩展到在同一系统中捕捉瞬态和稳定结构，以及学习捕捉非线性偏微分方程（PDE）中图灵模式形成的规则。我们展示了 NCA 在 PDE 训练数据之外的广泛推广能力，演示了如何限制 NCA 以尊重给定的对称性，并探索了相关超参数对模型性能和稳定性的影响。能够学习任意动态使得 NCA 成为一种具有很大潜力的数据驱动的建模框架，尤其适用于生物模式形成建模。

Oct, 2023