論文の概要: Exploring Fungal Morphology Simulation and Dynamic Light Containment from a Graphics Generation Perspective

• arxiv url: http://arxiv.org/abs/2409.05171v1
• Date: Sun, 8 Sep 2024 17:50:24 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-10 17:08:26.842814
• Title: Exploring Fungal Morphology Simulation and Dynamic Light Containment from a Graphics Generation Perspective
• Title（参考訳）: グラフィクス生成の観点からの菌類形態シミュレーションと動的光含有の探索
• Authors: Kexin Wang, Ivy He, Jinke Li, Ali Asadipour, Yitong Sun,
• Abstract要約: 本研究は菌類形態学シミュレーションを二次元グラフィック時系列生成問題に近似する。 本稿では,ゼロコード型ニューラルネットワーク駆動セルオートマトンを提案する。真菌の拡散パターンは画像分割モデルと時系列予測モデルを用いて学習し,ニューラルネットワークセルのトレーニングを監督する。
• 参考スコア（独自算出の注目度）: 7.750079771971273
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fungal simulation and control are considered crucial techniques in Bio-Art creation. However, coding algorithms for reliable fungal simulations have posed significant challenges for artists. This study equates fungal morphology simulation to a two-dimensional graphic time-series generation problem. We propose a zero-coding, neural network-driven cellular automaton. Fungal spread patterns are learned through an image segmentation model and a time-series prediction model, which then supervise the training of neural network cells, enabling them to replicate real-world spreading behaviors. We further implemented dynamic containment of fungal boundaries with lasers. Synchronized with the automaton, the fungus successfully spreads into pre-designed complex shapes in reality.
• Abstract（参考訳）: 菌類シミュレーションと制御はバイオアーツの創出において重要な技術であると考えられている。 しかし、信頼できる菌類シミュレーションのためのコーディングアルゴリズムは、アーティストにとって大きな課題となっている。 本研究は菌類形態学シミュレーションを二次元グラフィック時系列生成問題に近似する。 ゼロコード型ニューラルネットワーク駆動セルオートマトンを提案する。 真菌の拡散パターンは、イメージセグメンテーションモデルと時系列予測モデルを通じて学習され、ニューラルネットワーク細胞のトレーニングを監督し、実際の拡散行動の再現を可能にする。 さらに,レーザーによる菌類境界の動的包接化を実装した。 オートマトンと同期して、真菌は実際に設計された複雑な形へと拡散する。

関連論文リスト

• A spatiotemporal style transfer algorithm for dynamic visual stimulus generation [0.0]
  動的視覚刺激生成フレームワークであるSTSTアルゴリズムを導入する。 これは、動的視覚刺激を生成するために空間的特徴と時間的特徴を分解する2ストリームのディープニューラルネットワークモデルに基づいている。 提案アルゴリズムは, 層活性化を自然なビデオと一致させる動的刺激であるモデルメタマーの生成を可能にすることを示す。
  論文  参考訳（メタデータ） (2024-03-07T23:07:46Z)
• DiffuseBot: Breeding Soft Robots With Physics-Augmented Generative Diffusion Models [102.13968267347553]
  本稿では,様々なタスクにおいて優れたソフトロボット形態を生成する物理拡張拡散モデルであるDiffuseBotを提案する。 我々は、その能力とともに、シミュレーションされた、そして製造された様々なロボットを紹介します。
  論文  参考訳（メタデータ） (2023-11-28T18:58:48Z)
• On the Trade-off Between Efficiency and Precision of Neural Abstraction [62.046646433536104]
  ニューラル抽象化は、最近、複雑な非線形力学モデルの形式近似として導入されている。 我々は形式的帰納的合成法を用いて、これらのセマンティクスを用いた動的モデルをもたらすニューラル抽象化を生成する。
  論文  参考訳（メタデータ） (2023-07-28T13:22:32Z)
• An Adversarial Active Sampling-based Data Augmentation Framework for Manufacturable Chip Design [55.62660894625669]
  リソグラフィーモデリングは、チップ設計マスクが製造可能であることを保証するため、チップ設計において重要な問題である。 機械学習の最近の進歩は、時間を要するリソグラフィーシミュレーションをディープニューラルネットワークに置き換えるための代替ソリューションを提供している。 本稿では,限られたデータのジレンマを解消し,機械学習モデルの性能を向上させるために,データ拡張フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-27T20:53:39Z)
• An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
  本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。 本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-18T23:42:18Z)
• What Robot do I Need? Fast Co-Adaptation of Morphology and Control using Graph Neural Networks [7.261920381796185]
  実世界へのコ適応手法の適用における大きな課題は、シミュレーションから現実へのギャップである。 本稿では,従来の高周波深部ニューラルネットワークと計算コストの高いグラフニューラルネットワークを組み合わせることで,エージェントのデータ効率向上を実現する手法を提案する。
  論文  参考訳（メタデータ） (2021-11-03T17:41:38Z)
• Evolving spiking neuron cellular automata and networks to emulate in vitro neuronal activity [0.0]
  我々は生体内における生体ニューロンの行動パターンをエミュレートするスパイキング神経系を生産する。 我々のモデルは、ネットワーク全体の同期レベルを生成できた。 トップパフォーマンスモデルのゲノムは、生成した活動の複雑さを決定する上で、モデル内の接続の興奮性と密度が重要な役割を果たすことを示している。
  論文  参考訳（メタデータ） (2021-10-15T17:55:04Z)
• Mapping and Validating a Point Neuron Model on Intel's Neuromorphic Hardware Loihi [77.34726150561087]
  インテルの第5世代ニューロモルフィックチップ「Loihi」の可能性について検討する。 Loihiは、脳内のニューロンをエミュレートするスパイキングニューラルネットワーク(SNN)という新しいアイデアに基づいている。 Loihiは従来のシミュレーションを非常に効率的に再現し、ネットワークが大きくなるにつれて、時間とエネルギーの両方のパフォーマンスにおいて顕著にスケールする。
  論文  参考訳（メタデータ） (2021-09-22T16:52:51Z)
• Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
  Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。 能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。 その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
  論文  参考訳（メタデータ） (2021-06-05T01:31:51Z)

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。