論文の概要: Visualizing computation in large-scale cellular automata

• arxiv url: http://arxiv.org/abs/2104.01008v1
• Date: Thu, 1 Apr 2021 08:14:15 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-05 13:43:46.552776
• Title: Visualizing computation in large-scale cellular automata
• Title（参考訳）: 大規模セルオートマトンにおける可視化計算
• Authors: Hugo Cisneros, Josef Sivic, Tomas Mikolov
• Abstract要約: セルオートマトンのような複雑なシステムの創発的プロセスは、複雑さが増大する計算を実行することができる。 セル状態,クラスタリング,オートエンコーダの周波数解析に基づく粗粒度セルオートマトンの方法を提案する。
• 参考スコア（独自算出の注目度）: 24.62657948019533
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Emergent processes in complex systems such as cellular automata can perform computations of increasing complexity, and could possibly lead to artificial evolution. Such a feat would require scaling up current simulation sizes to allow for enough computational capacity. Understanding complex computations happening in cellular automata and other systems capable of emergence poses many challenges, especially in large-scale systems. We propose methods for coarse-graining cellular automata based on frequency analysis of cell states, clustering and autoencoders. These innovative techniques facilitate the discovery of large-scale structure formation and complexity analysis in those systems. They emphasize interesting behaviors in elementary cellular automata while filtering out background patterns. Moreover, our methods reduce large 2D automata to smaller sizes and enable identifying systems that behave interestingly at multiple scales.
• Abstract（参考訳）: セル・オートマトンのような複雑なシステムの創発的プロセスは複雑さの増大を計算し、人工的な進化につながる可能性がある。 このような偉業は、十分な計算能力を得るために、現在のシミュレーションサイズをスケールアップする必要がある。 セルオートマトンや他のシステムで起こる複雑な計算を理解することは、特に大規模システムにおいて多くの課題をもたらす。 本稿では,セル状態,クラスタリング,オートエンコーダの周波数解析に基づく粗粒化セルオートマトン法を提案する。 これらの革新的な技術は、これらのシステムにおける大規模構造形成と複雑性解析の発見を促進する。 背景パターンをフィルタリングしながら、基本的なセルオートマトンで興味深い振る舞いを強調する。 さらに,本手法は,大規模2次元オートマトンを小型化し,複数スケールで興味深い動作をするシステムを特定する。

関連論文リスト

• Enhancing Computational Efficiency in Multiscale Systems Using Deep Learning of Coordinates and Flow Maps [0.0]
  本稿では,マルチスケールシステムにおいて,ディープラーニング技術を用いて正確なタイムステッピング手法を構築する方法について述べる。 結果として得られるフレームワークは、より少ない計算コストで最先端の予測精度を達成する。
  論文  参考訳（メタデータ） (2024-04-28T14:05:13Z)
• Causal machine learning for single-cell genomics [94.28105176231739]
  単細胞ゲノミクスへの機械学習技術の応用とその課題について論じる。 まず, 単一細胞生物学における現在の因果的アプローチの基盤となるモデルについて述べる。 次に、単一セルデータへの因果的アプローチの適用におけるオープンな問題を特定する。
  論文  参考訳（メタデータ） (2023-10-23T13:35:24Z)
• Hindsight States: Blending Sim and Real Task Elements for Efficient Reinforcement Learning [61.3506230781327]
  ロボット工学では、第一原理から導かれた力学モデルに基づくシミュレーションに基づいて、トレーニングデータを生成する方法がある。 ここでは、力学の複雑さの不均衡を利用して、より標本効率のよい学習を行う。 提案手法をいくつかの課題に対して検証し,既存の近視アルゴリズムと組み合わせた場合の学習改善を実証する。
  論文  参考訳（メタデータ） (2023-03-03T21:55:04Z)
• Transformers Learn Shortcuts to Automata [52.015990420075944]
  低深度変換器は任意の有限状態オートマトンを計算できる。 我々は,$O(log T)$レイヤを持つ変換器が,長さ$T$の入力シーケンス上で,オートマトンを正確に再現可能であることを示す。 さらに、これらの解の脆性について検討し、潜在的な緩和を提案する。
  論文  参考訳（メタデータ） (2022-10-19T17:45:48Z)
• An Automated Scanning Transmission Electron Microscope Guided by Sparse Data Analytics [0.0]
  本稿では,新たに出現するスパースデータ分析によって導かれる閉ループ管楽器制御プラットフォームの設計について論じる。 機械学習によって通知される集中型コントローラが、限られた$a$$priori$知識とタスクベースの識別を組み合わせることで、オンザフライでの実験的な意思決定を駆動する様子を実証する。
  論文  参考訳（メタデータ） (2021-09-30T00:25:35Z)
• Classification of Discrete Dynamical Systems Based on Transients [0.0]
  決定論的離散空間と時間力学系の任意のクラスに適用可能な新しい分類法を提案する。 順序付けられた振る舞いからカオスへのフェーズ移行に対応する、行動の重要な領域を特定できたのです。 私たちの仕事は、複雑な構造が現れるシステムの設計に利用できます。
  論文  参考訳（メタデータ） (2021-08-03T15:34:01Z)
• Computational Hierarchy of Elementary Cellular Automata [0.0]
  セルラーオートマトンとセルラーオートマトンをエミュレートする能力について検討した。 非自明なオートマトンをエミュレートできないのは,ある種のカオスオートマトンのみであることを示す。 我々の研究は、チューリング完全かつ計算効率のよい並列計算システムの設計に役立つと信じている。
  論文  参考訳（メタデータ） (2021-08-01T10:00:54Z)
• Towards self-organized control: Using neural cellular automata to robustly control a cart-pole agent [62.997667081978825]
  我々は、カートポールエージェントを制御するために、ニューラルセルオートマトンを使用する。 我々は、Q値の推定値として出力セルの状態を用いる深層学習を用いてモデルを訓練した。
  論文  参考訳（メタデータ） (2021-06-29T10:49:42Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)
• Classification of Complex Systems Based on Transients [0.0]
  決定論的離散空間と時間力学系の任意のクラスに適用可能な新しい分類法を提案する。 この方法は、ループに入る前にシステムの平均時間の異なる振る舞いを区別する。 我々は2次元セルオートマトンを分類し、我々の手法がより複雑な計算モデルに容易に適用可能であることを示す。
  論文  参考訳（メタデータ） (2020-08-31T11:47:45Z)
• AutoML-Zero: Evolving Machine Learning Algorithms From Scratch [76.83052807776276]
  基本数学的操作をビルディングブロックとして使うだけで,完全な機械学習アルゴリズムを自動的に発見できることが示される。 汎用的な検索空間を通じて人間のバイアスを大幅に低減する新しいフレームワークを導入することでこれを実証する。 機械学習アルゴリズムをゼロから発見する上で、これらの予備的な成功は、この分野における有望な新しい方向性を示していると信じている。
  論文  参考訳（メタデータ） (2020-03-06T19:00:04Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。