使用发育图元胞自动机增长水库.pdfVIP

使用发育图元胞自动机增长水库

MatiasBarandiaranandJamesStovold

LancasterUniversityLeipzig,Nikolaistraße10,04109Leipzig,Germany

Email:j.stovold@lancaster.ac.uk

Abstract间的反向传播，训练RNN计算成本很高。作为对

这些挑战的一种回应，开发了回声状态计算（RC）

发育图细胞自动机（DGCA）是一种新的形态发生模型，

(LukoševičiusandJaeger,2009)。在RC框架中，一个

能够从单节点种子生长出有向图。在本文中，我们展示

了可以训练DGCA来生长水库。水库的生长使用两种类大型、固定且随机连接的RNN——称为水库——提

本型的目标：任务驱动型（使用NARMA任务系列）和任供了丰富的非线性动态特性，而只有读出层被训练。

译务独立型（使用水库指标）。RC的一个关键吸引力在于其能够利用物理水

结果显示DGCAs能够生长成多种专门的、类似生命的库的能力。该方案的灵活性允许广泛的动力系统展

中结构，能够有效解决基准任务，并在统计上优于同一任

示回声状态属性，从而作为成功的水库(Nakajima,

1务上的“典型”水库。总体而言，这为开发产生可塑性水

v库的DGCA系统以及模拟功能性适应形态发生奠定了2020)；包括培养的生物神经元(Sumietal.,2023)、

1基础。纳米材料探针(Qietal.,2023)，甚至是章鱼臂复制

9

0品(Nakajimaetal.,2013)。对物理水库计算（PRC）

8

0代码可在以下位置获取：/的关注超越传统的冯·诺依曼架构，反映了利用物

8.mbaranr/alife2025理系统内在动力学的趋势。PRC实现了低功耗计算、

0连续信号处理和强大的容错能力，这些都是传统架

5介绍

2构难以实现的(Yanetal.,2024)。

:

v形态发生调控着复杂生命的发育。通过形态发传统RC依赖于暴力方法，即随机初始化多个池

i

x生，细胞群合作形成如眼睛、肢体和心脏等复杂的结子直到找到合适的动力学。搜索通常是随机进行的

r

a构。Mordvintsevetal.(2020)引入了神经元细胞自或基于新颖性方法。虽然一些工作应用了优化算法

动机（NCA）作为形态发生的模型。通过利用神经网(Soltanietal.,2023)，但它们往往只是为了改进这

络作为细胞自动机的转换规则，NCAs可以学习从单种暴力方法。在PRC中，挑战更大。物理基底通常

个细胞种子生长出预定义的二维形状。然而，这种方根据一般的计算潜力(Daleetal.,2019)来选择，几

法缺乏一个重要的生物学细节：在自然界中，结构不乎没有机会主动设计或适应系统。这引发了一个基

仅仅是为它们的形状而出现的，而是为了执行某种