Neural Cellular Automata
PulseAugur coverage of Neural Cellular Automata — every cluster mentioning Neural Cellular Automata across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
神经元胞自动机学习长期偏微分方程动力学，超越基线模型
研究人员开发了一种新颖的神经元胞自动机（NCA）模型，旨在学习和预测偏微分方程（PDEs）的长期动力学。这种基于NCA的代理模型通过学习应用于所有网格单元的局部、同质更新规则来运行，模仿微分算子的行为。在五个常见PDEs上与PDE-Net、物理信息神经网络（PINNs）和傅里叶神经网络算子（FNOs）等成熟方法进行基准测试时，NCA模型在大多数测试场景中通过实现最低的长期相对误差，展现出卓越的性能。
-
新研究为手术室提供实用的场景图生成
两篇新研究论文提出了用于手术室场景图生成的新方法，旨在使该技术在现实世界的手术环境中更加实用。第一篇论文SAGE-OR采用以特征为中心的框架，结合了冻结的基础模型和轻量级图Transformer，无需定位监督，并通过提示级修改即可适应新实体。第二篇论文介绍了SG-NCA，一个基于神经元胞自动机（Neural Cellular Automata）的框架，专为适用于OR卫生协议的无风扇边缘设备进行轻量级推理而设计。这两种方法都旨在降低计算…
-
新AI架构实现自组织数字电路
研究人员开发了一种新颖的方法，称为自组织数字电路，其灵感来自生物系统的适应性可塑性。该架构使用拓扑掩码Transformer来配置电路内的布尔门，将功能逻辑生成视为图上的元学习问题。该系统能够自主组装功能电路，并动态地重新路由逻辑以应对不可预见的硬件故障，在从软错误中恢复以及跨不同电路规模的泛化方面表现出高精度。
-
神经元胞自动机实现无序超材料的一次性生成设计
研究人员开发了一种新颖的生成设计框架，使用神经元胞自动机来创建无序超材料。该方法模仿了自然的自组织过程，仅需一个训练模板即可生成具有多样化特性的复杂微结构。该框架允许在不重新训练的情况下控制方向和各向异性，从而能够创建用于机械隐身和软体机器人等应用的具有空间变化的材料。
-
新型神经粒子元胞自动机学习自组织动力学
研究人员推出了一种名为神经粒子元胞自动机（NPA）的新型框架，该框架将神经元胞自动机（NCA）扩展到了动态粒子系统。与传统的NCA不同，NPA将每个细胞视为一个具有连续位置和内部状态的粒子，并通过共享的神经规则进行更新。这种方法通过关注活动区域，实现了粒子个体行为和计算效率。为了处理动态粒子邻域的复杂性，该系统利用了可微分的平滑粒子流体动力学（SPH）算子，并通过CUDA加速，从而实现了可扩展的训练。NPA在形态发生、点云分类和纹理合…
-
质量守恒促进神经自动机水库中的自组织临界性
研究人员探索了使用质量守恒作为归纳偏置，以促进神经元元胞自动机（NCA）水库中的自组织临界性（SOC）。这种方法涉及一种保持总晶格质量的局部重新分布规则，与标准NCA相比，该方法被发现始终表现出更强的临界性。质量守恒NCA在演化速度上更快，并在顺序记忆、数字分类和时间控制等下游任务上取得了可比的性能，这表明质量守恒是增强临界性而不损害效用的有效机制。
-
质量守恒提升了AI水库的临界性，而性能未受损
研究人员探索了质量守恒作为归纳偏置的概念，以促进神经细胞自动机（NCA）水库中的自组织临界性（SOC）。他们的发现表明，质量守恒的NCA始终表现出更强的临界性，在雪崩分布方面实现了更好的幂律拟合，并且演化速度提高了1.27倍。至关重要的是，这种增强的临界性不会阻碍下游任务的性能，例如顺序记忆、数字分类和时间控制，质量守恒和标准NCA取得了可比的结果。该研究表明，SOC的质量与顺序计算之间存在正相关，这由具有完美临界性的水库所实现的最高…
-
新的SMART框架提供了一种灵活、可解释的医学成像大脑图谱
研究人员开发了SMART，一种用于从高分辨率医学成像数据创建灵活、可解释且可扩展的时空大脑图谱的新型框架。与以前的黑盒模型不同，SMART通过学习连续的疾病时间图谱，将全局疾病动态与个体解剖学表现分离开来。该方法使用特定区域的微分方程来模拟沿共享疾病时间线的进展，并采用神经细胞自动机进行个性化。在对阿尔茨海默病进行的五个纵向MRI数据集上进行测试，SMART展示了最先进的预测准确性和改进的时间一致性。
-
New method measures prediction uncertainty in neural cellular automata
研究人员开发了一种名为“resilience”的新方法，用于测量神经元胞自动机（NCA）在医学图像分割中的预测不确定性。该方法利用NCA的迭代特性，评估在受到轻微状态扰动时预测的稳定性。通过识别哪些预测保持一致，该方法可以标记不确定的输出，从而增强NCA医学成像应用中的信任度和安全性。
-
神经细胞自动机学习并展现复杂行为
本文探讨了生长型神经细胞自动机（GNCA），这是一种允许人工智能系统随着时间学习和发展复杂行为的方法。GNCA 受生物过程的启发，能够生成复杂的模式并适应新环境。该研究强调了这些系统进化和自组织以模仿自然生长和发展的潜力。
-
神经细胞自动机实现纹理的自我修复和嫁接
研究人员开发了一种使用神经细胞自动机（NCA）合成多种纹理的新方法。该方法能够对损坏区域的纹理进行自我再生，这对于动态和自适应系统至关重要。此外，一种新颖的嫁接技术通过精确初始化NCA的基因组通道，实现了在推理过程中无须重新训练即可无缝组合不同纹理。
-
神经细胞自动机实现任意分辨率输出
研究人员开发了一种新方法来增强神经细胞自动机（NCA），以生成高分辨率输出。通过将运行在粗糙网格上的NCA与隐式解码器相结合，该系统可以在任意分辨率下渲染输出，同时保持实时性能和并行性。该方法解决了先前与高分辨率NCA应用相关的训练时间、内存和计算需求方面的限制。
-
神经元胞自动机综述提供统一框架和参考实现
一篇新论文综述了神经元胞自动机（NCA），这是一种将Stephen Wolfram的胞自动机与人工神经网络相结合的技术。NCA可以从数据中学习复杂的更新规则，使其能够模拟自组织生成系统。作者提供了一个统一的框架、符号和开源库NCAtorch中的参考实现。