Gray-Scott
PulseAugur coverage of Gray-Scott — every cluster mentioning Gray-Scott across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
混合模型平衡AI学习与自组织以实现形态发生
研究人员开发了一种用于具身形态发生的混合模型，该模型能有效平衡集中式学习与分布式自组织。该模型将卷积控制器与可微分的Gray-Scott反应扩散基底耦合，与纯粹的反应扩散或以神经网络为主导的方法相比，表现出更优越的收敛性和效率。研究结果表明，通过短暂、平滑的参数调整可以实现受控的自组织，引导系统进入有利状态，然后由反应扩散动力学完成模式形成。
-
AI代理在没有适应度函数的情况下进化出复杂结构
研究人员开发了一个名为Genesis的新平台，该平台允许在不依赖设计者指定的适应度函数的情况下进化自组织代理。通过三个实验周期，他们证明了仅凭物理约束就可以维持进化活动，尽管它会达到复杂性的上限。代理介导的生态位构建不足以克服这一限制。然而，通过用组合模式生成网络（CPPN）间接编码替换传统基因组，并采用NEAT风格的物种形成，该系统在无适应度环境中显示出渐进式结构复杂化的早期迹象。
-
直接 PDE 反演揭示损失景观病理
研究人员探索了一种基于梯度的直接方法来反演反应扩散系统，特别是 Gray-Scott 模型，通过损失反向传播穿过 PDE 本身。他们发现这种直接方法由于损失景观的特点是平坦高原和尖锐悬崖而无法收敛，这种几何形状阻碍了梯度信号的传播。通过将此设置分析为物理信息神经网络 (PINN) 的消融，他们确定是残差损失函数，而不是神经网络，通过隐式编码 PDE 动力学来避免这种病态景观。这种组件角色的解耦为基于 PINN 的方法提供了实用的设计见解。