研究人员开发了JAX-ESHN,一个基于JAX的新实现,旨在GPU上并行化ES-HyperNEAT。该实现解决了先前限制坐标基神经演化扩展性的四叉树瓶颈。基准测试表明,JAX-ESHN在XOR和CartPole等任务上,尤其是在深度基底上,通过提供更低的运行时方差和更可靠的成功率,显著优于基于CPU的方法。该研究还确定了可扩展神经演化的结构约束,并提出EMR-HyperNEAT作为克服这些限制的重新表述。 AI
影响 这项研究定义了扩展神经演化算法的结构约束,有可能实现更复杂、更高效的AI架构。
排序理由 学术论文,详细介绍了神经演化的一种新实现和理论约束。[lever_c_demoted from research: ic=1 ai=1.0]
在 arXiv cs.NE (Neural & Evolutionary) 阅读 →
- CartPole
- EMR-HyperNEAT
- ES-HyperNEAT
- Hierarchical Spatial Hash Grid
- Jax
- JAX-ESHN
- Parity-3
- PUREPLES Baseline
- XOR
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →