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

通过 Mesh Neural Cellular Automata (MeshNCA) 方法，在 3D 网格上直接合成动态纹理，无需任何 UV 贴图，实现了实时的 3D 纹理合成。

Nov, 2023

本文介绍了神经细胞自动机（NCAs）作为人工形态发生模型的发展，并展示了 NCAs 对于内部和外部信号的反应能力，能够通过内部信号生长出多种形态， 通过外部信号改变颜色，并为将动态行为嵌入 NCA 模型打下基础。

May, 2023

我们研究了神经元元胞自动机（NCA）模型的架构与其所产生的动态图案之间的关系，并发现 NCA 输出的紧密度和比例性与架构的两个变量之间存在强相关性，因此我们提出了用于创建动态 NCA 的设计原则。

Apr, 2024

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

通过创新的方法，我们提出了一种改进的神经元细胞自动机（Neural Cellular Automata，NCA）模型，它可以在不同的时空颗粒度下保持连续动态，并能够进行模式形成速度和合成模式尺度的连续控制，为 NCA 研究开辟了新的领域。

Apr, 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

通过使用基于神经细胞自动机 (NCA) 的超网络方法，我们可以在受到自组织系统和信息理论方法的启发下，以发育生物学为基础，生长出能够解决常见强化学习任务的神经网络，并探索了如何使用相同的方法来构建发育变形网络，以解决最初强化学习任务的变化版本。

Apr, 2022

通过模仿生物进化的方式，本研究引入了一种名为 Generative Cellular Automata (GeCA) 的新模型系列，作为一种有效的补充工具，用于视网膜疾病分类的两种成像模式：Fundus 和光学相干断层扫描（OCT）。在 OCT 成像的背景下，GeCA 显著提升了 11 种不同眼科疾病的性能，相较于传统基线模型，平均 F1 分数提高了 12%。在相似的参数限制下，GeCA 优于融合 UNet 或基于 Transformer 的去噪模型的扩散方法。

Jul, 2024

神经元元胞自动机是传统元胞自动机模型的演化，通过集成基于深度学习的转换函数进行增强。我们介绍了潜在神经元元胞自动机（LNCA）模型，这是一种新颖的架构，旨在解决神经元元胞自动机的资源限制问题。我们将模型应用于图像恢复领域，以从降质版本中重建高质量图像。此修改不仅降低了模型的资源消耗，还保持了适用于各种应用的灵活框架。我们的模型在保持高重建保真度的同时，实现了显著的计算资源要求降低。这种效率提高使得模型能够处理比当前最先进的神经元元胞自动机模型大 16 倍的输入，使用相同的资源。

Mar, 2024