論文の概要: Differentiable Logic Cellular Automata: From Game of Life to Pattern Generation

• arxiv url: http://arxiv.org/abs/2506.04912v1
• Date: Thu, 05 Jun 2025 11:45:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-06 21:53:49.68191
• Title: Differentiable Logic Cellular Automata: From Game of Life to Pattern Generation
• Title（参考訳）: 微分可能な論理セルオートマタ:人生のゲームからパターン生成へ
• Authors: Pietro Miotti, Eyvind Niklasson, Ettore Randazzo, Alexander Mordvintsev,
• Abstract要約: 本稿では,微分論理セルオートマタ(DiffLogic CA)を紹介する。 ニューラルセルラーオートマタ(NCA)と微分論理ゲートネットワーク(DLGN)の新たな組み合わせである。
• 参考スコア（独自算出の注目度）: 41.09791239221661
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper introduces Differentiable Logic Cellular Automata (DiffLogic CA), a novel combination of Neural Cellular Automata (NCA) and Differentiable Logic Gates Networks (DLGNs). The fundamental computation units of the model are differentiable logic gates, combined into a circuit. During training, the model is fully end-to-end differentiable allowing gradient-based training, and at inference time it operates in a fully discrete state space. This enables learning local update rules for cellular automata while preserving their inherent discrete nature. We demonstrate the versatility of our approach through a series of milestones: (1) fully learning the rules of Conway's Game of Life, (2) generating checkerboard patterns that exhibit resilience to noise and damage, (3) growing a lizard shape, and (4) multi-color pattern generation. Our model successfully learns recurrent circuits capable of generating desired target patterns. For simpler patterns, we observe success with both synchronous and asynchronous updates, demonstrating significant generalization capabilities and robustness to perturbations. We make the case that this combination of DLGNs and NCA represents a step toward programmable matter and robust computing systems that combine binary logic, neural network adaptability, and localized processing. This work, to the best of our knowledge, is the first successful application of differentiable logic gate networks in recurrent architectures.
• Abstract（参考訳）: 本稿では、ニューラルセルラーオートマタ(NCA)と微分可能論理ゲートネットワーク(DLGN)を組み合わせた微分可能論理セルラーオートマタ(DiffLogic CA)を紹介する。 モデルの基本的な計算単位は、回路に結合した微分可能な論理ゲートである。 トレーニング中、モデルは完全なエンドツーエンドの差別化が可能で、勾配ベースのトレーニングが可能であり、推論時に完全に離散状態空間で動作する。 これにより、セルオートマトンの局所的な更新規則を学習し、固有の独立性を維持することができる。 1)コンウェイのゲーム・オブ・ライフのルールを完全に学習し、(2)ノイズや損傷に対する耐性を示すチェッカーボードパターンを生成し、(3)トカゲ型に成長し、(4)多色パターンを生成する。 本モデルでは,所望のターゲットパターンを生成可能なリカレント回路の学習に成功している。 より単純なパターンでは、同期と非同期の更新の両方で成功を観察し、大きな一般化能力と摂動に対する堅牢性を示す。 DLGNとNAAの組み合わせは、バイナリ論理、ニューラルネットワーク適応性、ローカライズドプロセッシングを組み合わせたプログラマブルマターとロバストコンピューティングシステムへの一歩である、と我々は主張する。 この研究は、私たちの知る限り、リカレントアーキテクチャにおける差別化可能な論理ゲートネットワークの最初の成功例です。

関連論文リスト

• A Path to Universal Neural Cellular Automata [6.7822488410082755]
  この研究は、連続的なユニバーサルセルオートマトンを開発するための神経細胞オートマトンの可能性を探究する。 本稿では, セルラーオートマトンモデル, 目的関数, トレーニング戦略を導入し, 連続した環境での普遍計算に向けて神経セルオートマトンを誘導する。
  論文  参考訳（メタデータ） (2025-05-19T12:46:01Z)
• Convolutional Differentiable Logic Gate Networks [68.74313756770123]
  本稿では,論理ゲートネットワークを微分緩和により直接学習する手法を提案する。 私たちはこのアイデアに基づいて、深い論理ゲートツリーの畳み込みと論理ORプーリングによってそれを拡張します。 CIFAR-10では、6100万の論理ゲートのみを使用して86.29%の精度を実現し、SOTAよりも29倍の精度で改善した。
  論文  参考訳（メタデータ） (2024-11-07T14:12:00Z)
• Learning spatio-temporal patterns with Neural Cellular Automata [0.0]
  我々はNAAを訓練し、時系列画像とPDE軌道から複雑な力学を学ぶ。 我々はNCAを拡張し、同じシステム内の過渡構造と安定構造の両方を捕捉する。 任意のダイナミクスを学べることによって、NAAはデータ駆動モデリングフレームワークとして大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2023-10-23T11:16:32Z)
• How neural networks learn to classify chaotic time series [77.34726150561087]
  本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。 入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
  論文  参考訳（メタデータ） (2023-06-04T08:53:27Z)
• Pathfinding Neural Cellular Automata [23.831530224401575]
  Pathfindingは、ロボットパス計画、トランスポートルーティング、ゲームプレイなど、幅広い複雑なAIタスクの重要なサブコンポーネントである。 我々は, Breadth-First Search (BFS) のモデル,すなわち最短経路探索のハンドコードと学習を行う。 本稿では、Depth-First Search(DFS)のニューラル実装を提案し、グラフの直径を計算するためのNAAを生成するために、ニューラルネットワークBFSと組み合わせる方法について概説する。 我々は,これらの手書きNCAに触発されたアーキテクチャ変更を実験し,グリッド迷路の直径問題を解くためにゼロからネットワークをトレーニングし,高い能力の一般化を示した。
  論文  参考訳（メタデータ） (2023-01-17T11:45:51Z)
• Pretraining Graph Neural Networks for few-shot Analog Circuit Modeling and Design [68.1682448368636]
  本稿では、新しい未知のトポロジや未知の予測タスクに適応可能な回路表現を学習するための教師付き事前学習手法を提案する。 異なる回路の変動位相構造に対処するため、各回路をグラフとして記述し、グラフニューラルネットワーク(GNN)を用いてノード埋め込みを学習する。 出力ノード電圧の予測における事前学習GNNは、新しい未知のトポロジや新しい回路レベル特性の予測に適応可能な学習表現を促進することができることを示す。
  論文  参考訳（メタデータ） (2022-03-29T21:18:47Z)
• Neural Cellular Automata Manifold [84.08170531451006]
  ニューラルセルラーオートマタのニューラルネットワークアーキテクチャは、より大きなNNにカプセル化可能であることを示す。 これにより、NAAの多様体を符号化する新しいモデルを提案し、それぞれが異なる画像を生成することができる。 生物学的には、我々のアプローチは転写因子の役割を担い、細胞の分化を促進する特定のタンパク質への遺伝子マッピングを調節する。
  論文  参考訳（メタデータ） (2020-06-22T11:41:57Z)
• Evaluating Logical Generalization in Graph Neural Networks [59.70452462833374]
  グラフニューラルネットワーク(GNN)を用いた論理一般化の課題について検討する。 ベンチマークスイートであるGraphLogでは、学習アルゴリズムが異なる合成論理でルール誘導を実行する必要がある。 モデルが一般化し適応する能力は、トレーニング中に遭遇する論理規則の多様性によって強く決定される。
  論文  参考訳（メタデータ） (2020-03-14T05:45:55Z)

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。