神经元元胞自动机中的新兴动力学
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
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
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
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
局部相互作用动力系统，如流行病传播、谣言传播和森林火灾，表现出由动态元素之间的局部、相对简单和通常随机的相互作用产生的复杂全局动态。我们提出了 AR-NCA（Attention Recurrent Neural Cellular Automata），通过以置换 - 不变的方式在相邻细胞之间关联时间信息，从而有效发现未知的局部状态转换规则。AR-NCA 在各种系统配置（即状态的空间分布）、极度数据有限的情况下，甚至在存在随机相互作用的情况下，显示出卓越的泛化能力、数据效率和鲁棒性，以及空间维度无关的可扩展性。
Apr, 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