論文の概要: Exploring Flow-Lenia Universes with a Curiosity-driven AI Scientist: Discovering Diverse Ecosystem Dynamics

• arxiv url: http://arxiv.org/abs/2505.15998v1
• Date: Wed, 21 May 2025 20:28:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-23 17:12:47.897448
• Title: Exploring Flow-Lenia Universes with a Curiosity-driven AI Scientist: Discovering Diverse Ecosystem Dynamics
• Title（参考訳）: 好奇心駆動型AI科学者によるフローレニア宇宙探査 - 異種生態系のダイナミクスの発見
• Authors: Thomas Michel, Marko Cvjetko, Gautier Hamon, Pierre-Yves Oudeyer, Clément Moulin-Frier,
• Abstract要約: 本稿では,フローレニア$-$a連続セルオートマトン(CA)におけるシステムレベルダイナミクスの自動発見法を提案する。 この方法は、CAの進化的・生態系的ダイナミクスの自己組織化につながる過程を明らかにすることを目的としている。
• 参考スコア（独自算出の注目度）: 17.425135648759515
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a method for the automated discovery of system-level dynamics in Flow-Lenia$-$a continuous cellular automaton (CA) with mass conservation and parameter localization$-$using a curiosity-driven AI scientist. This method aims to uncover processes leading to self-organization of evolutionary and ecosystemic dynamics in CAs. We build on previous work which uses diversity search algorithms in Lenia to find self-organized individual patterns, and extend it to large environments that support distinct interacting patterns. We adapt Intrinsically Motivated Goal Exploration Processes (IMGEPs) to drive exploration of diverse Flow-Lenia environments using simulation-wide metrics, such as evolutionary activity, compression-based complexity, and multi-scale entropy. We test our method in two experiments, showcasing its ability to illuminate significantly more diverse dynamics compared to random search. We show qualitative results illustrating how ecosystemic simulations enable self-organization of complex collective behaviors not captured by previous individual pattern search and analysis. We complement automated discovery with an interactive exploration tool, creating an effective human-AI collaborative workflow for scientific investigation. Though demonstrated specifically with Flow-Lenia, this methodology provides a framework potentially applicable to other parameterizable complex systems where understanding emergent collective properties is of interest.
• Abstract（参考訳）: 本稿では,フローレニア$-$a連続セルオートマトン(CA)におけるシステムレベルダイナミクスの自動発見手法を提案する。 この方法は、CAの進化的・生態系的ダイナミクスの自己組織化につながる過程を明らかにすることを目的としている。 我々は、レニアにおける多様性探索アルゴリズムを用いて、自己組織化された個々のパターンを見つけ出し、異なる相互作用パターンをサポートする大規模な環境に拡張する以前の研究に基づいて構築した。 我々は、進化的活動、圧縮ベース複雑性、マルチスケールエントロピーといったシミュレーションワイドなメトリクスを用いて、多様なフローレニア環境の探索を促進するために、固有のモチベーション付きゴール探索プロセス(IMGEPs)を適用した。 提案手法を2つの実験で検証し, ランダム探索と比較して, より多様なダイナミックスを照らし出す能力を示した。 本研究では,生態系シミュレーションによる複雑な集団行動の自己組織化に関する定性的な結果を示す。 我々は、対話的な探索ツールで自動発見を補完し、科学的調査のための効果的な人間とAIの協調ワークフローを作成する。 Flow-Leniaで特に実証されているが、この方法論は創発的集合特性を理解することに興味がある他のパラメータ化可能な複雑なシステムに適用可能なフレームワークを提供する。

関連論文リスト

• AI-Driven Automation Can Become the Foundation of Next-Era Science of Science Research [58.944125758758936]
  科学科学(Science of Science, SoS)は、科学的発見の基礎となるメカニズムを探求する。 人工知能(AI)の出現は、次世代のSoSに変革の機会をもたらす。 我々は、従来の手法よりもAIの利点を概説し、潜在的な制限について議論し、それらを克服するための経路を提案する。
  論文  参考訳（メタデータ） (2025-05-17T15:01:33Z)
• Embodied World Models Emerge from Navigational Task in Open-Ended Environments [5.785697934050656]
  プロシージャ的に生成された平面迷路を解決するために,スパース報酬のみで訓練された反復エージェントが,方向,距離,障害物レイアウトなどの計量概念を自律的に内部化できるかどうかを問う。 トレーニングの後、エージェントは、下層の空間モデルにヒントを与える行動である、見えない迷路において、常に準最適経路を生成する。
  論文  参考訳（メタデータ） (2025-04-15T17:35:13Z)
• Learning System Dynamics without Forgetting [60.08612207170659]
  本研究では,CDL(Continuous Dynamics Learning)の問題,タスク構成の検証,既存手法の適用性について検討する。 本稿では、LG-ODEとサブネットワーク学習の長所をモデムスイッチングモジュールと統合したモードスイッチンググラフODE(MS-GODE)モデルを提案する。 CDLのための生体動態システムの新しいベンチマーク、Bio-CDLを構築し、異なるダイナミクスを持つ多様なシステムを特徴付ける。
  論文  参考訳（メタデータ） (2024-06-30T14:55:18Z)
• Toward Artificial Open-Ended Evolution within Lenia using Quality-Diversity [5.380545611878407]
  複雑なシステムにおける多種多様な自己組織化パターンの自動発見には,品質多様性が有効であることを示す。 我々のフレームワークは、Leniabreederと呼ばれ、手動で定義された多様性基準と教師なしの多様性尺度の両方を利用して、発見可能なパターンの範囲を広げることができる。
  論文  参考訳（メタデータ） (2024-06-06T16:35:27Z)
• Cognitive Evolutionary Learning to Select Feature Interactions for Recommender Systems [59.117526206317116]
  Cellはさまざまなタスクやデータに対して,さまざまなモデルに適応的に進化可能であることを示す。 4つの実世界のデータセットの実験では、細胞は最先端のベースラインを大幅に上回っている。
  論文  参考訳（メタデータ） (2024-05-29T02:35:23Z)
• Discovering Sensorimotor Agency in Cellular Automata using Diversity Search [17.898087201326483]
  細胞性オートマトン (CA) では、自己組織する環境ルールを見つけることができるかどうかが重要視されている。 このアプローチは, 自己組織化につながるCAの環境条件を系統的に把握する上で有効であることを示す。 発見されたエージェントは驚くほど頑丈で、動き、身体の整合性を維持し、さまざまな障害をナビゲートする能力を持っている。
  論文  参考訳（メタデータ） (2024-02-14T14:30:42Z)
• Deep Learning-based Analysis of Basins of Attraction [49.812879456944984]
  本研究は,様々な力学系における盆地の複雑さと予測不可能性を特徴づけることの課題に対処する。 主な焦点は、この分野における畳み込みニューラルネットワーク(CNN)の効率性を示すことである。
  論文  参考訳（メタデータ） (2023-09-27T15:41:12Z)
• Incremental procedural and sensorimotor learning in cognitive humanoid robots [52.77024349608834]
  本研究は,手順を段階的に学習する認知エージェントを提案する。 各サブステージで必要とされる認知機能と, エージェントが未解決の課題に, 新たな機能の追加がどう対処するかを示す。 結果は、このアプローチが複雑なタスクを段階的に解くことができることを示している。
  論文  参考訳（メタデータ） (2023-04-30T22:51:31Z)
• Action Matching: Learning Stochastic Dynamics from Samples [10.46643972142224]
  アクションマッチング(Action Matching)は、時間進化から独立したサンプルのみを使用して、リッチなダイナミクスのファミリーを学ぶ方法である。 我々は、基礎となる力学に関する明示的な仮定を頼らずに、抽出可能な訓練目標を導出する。 最適輸送との接続にインスパイアされ、確率質量の生成と破壊を含む微分方程式や力学を学ぶためにアクションマッチングの拡張を導出する。
  論文  参考訳（メタデータ） (2022-10-13T01:49:48Z)
• Variational Dynamic for Self-Supervised Exploration in Deep Reinforcement Learning [12.76337275628074]
  本研究では,条件付き変分推論に基づく変動力学モデルを提案し,多モード性および生成性をモデル化する。 環境遷移の負の対数類似度の上界を導出し、その上界を探査の本質的な報酬として利用する。 提案手法は,最先端の環境モデルに基づく探索手法よりも優れている。
  論文  参考訳（メタデータ） (2020-10-17T09:54:51Z)
• Hierarchically Organized Latent Modules for Exploratory Search in Morphogenetic Systems [21.23182328329019]
  多様な表現の階層の教師なし学習を可能にする新しい動的・モジュラーアーキテクチャを導入する。 本システムは,ユーザの嗜好に対して効率よく多様性探索を適応できる発見アシスタントを構築できることを示す。
  論文  参考訳（メタデータ） (2020-07-02T15:28:27Z)

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。