用多样的神经元元胞自动机来生成关卡
通过使用 QD 算法优化神经元细胞自动机(NCA)环境生成器,我们展示 NCA 环境生成器在两个不同领域的多机器人系统中的可扩展性以及将单代理强化学习策略扩展到任意大的环境。
Oct, 2023
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
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
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
本文利用神经元细胞自动机(NCA)算法实现了基于单个模板图像的纹理生成器,其中神经元细胞自动机算法提供了一种学习分布式本地算法生成纹理的范例,并具有高保真度和鲁棒性。
May, 2021
本文提出了结合协方差矩阵自适应技术和档案映射技术以维持多样性的新型 quality diversity 算法 (CMA-ME),在连续空间的测试表明,CMA-ME 相较于 MAP-Elites 能够找到更好的解决方案以及策略多样性,表现翻倍。此算法对于同时探索和优化连续搜索空间有着极大的应用价值,可以应用于设计、测试和强化学习等领域。
Dec, 2019
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
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