論文の概要: Guiding Evolution of Artificial Life Using Vision-Language Models
- arxiv url: http://arxiv.org/abs/2509.22447v1
- Date: Fri, 26 Sep 2025 15:03:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-29 20:57:54.527736
- Title: Guiding Evolution of Artificial Life Using Vision-Language Models
- Title（参考訳）: 視覚言語モデルを用いた人工生命の誘導進化
- Authors: Nikhil Baid, Hannah Erlebach, Paul Hellegouarch, Frederico Wieser,
- Abstract要約: マルチモーダル・ファンデーション・モデル(FM)でガイドされるオープン・エンド・ライクな検索手法であるASAL++を紹介する。
シミュレーションの視覚履歴に基づいて,第2のFMを用いて新たな進化目標を提案する。
1)1回の反復で1つの新しいプロンプトを一致させるシミュレーション(Evolved Supervised Targets: EST)と,(2)生成されたプロンプトのシーケンス全体(Evolved Temporal Targets: ETT)を一致させるシミュレーション(Evolved Supervised Targets: EST)である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Foundation models (FMs) have recently opened up new frontiers in the field of artificial life (ALife) by providing powerful tools to automate search through ALife simulations. Previous work aligns ALife simulations with natural language target prompts using vision-language models (VLMs). We build on Automated Search for Artificial Life (ASAL) by introducing ASAL++, a method for open-ended-like search guided by multimodal FMs. We use a second FM to propose new evolutionary targets based on a simulation's visual history. This induces an evolutionary trajectory with increasingly complex targets. We explore two strategies: (1) evolving a simulation to match a single new prompt at each iteration (Evolved Supervised Targets: EST) and (2) evolving a simulation to match the entire sequence of generated prompts (Evolved Temporal Targets: ETT). We test our method empirically in the Lenia substrate using Gemma-3 to propose evolutionary targets, and show that EST promotes greater visual novelty, while ETT fosters more coherent and interpretable evolutionary sequences. Our results suggest that ASAL++ points towards new directions for FM-driven ALife discovery with open-ended characteristics.
- Abstract（参考訳）: ファンデーションモデル(FM)は最近、ALifeシミュレーションによる検索を自動化する強力なツールを提供することで、人工生命(ALife)の分野で新たなフロンティアを開放した。
これまでの作業は、視覚言語モデル(VLM)を使用して、ALifeシミュレーションと自然言語ターゲットプロンプトを一致させる。
我々は、マルチモーダルFMでガイドされるオープンエンドライクな検索方法であるASAL++を導入することで、ASAL(Automated Search for Artificial Life)を構築した。
シミュレーションの視覚履歴に基づいて,第2のFMを用いて新たな進化目標を提案する。
これにより、ますます複雑なターゲットを持つ進化軌道が引き起こされる。
提案手法は,(1)1回の反復で1つの新しいプロンプトを一致させるシミュレーション(Evolved Supervised Targets: EST)と(2)生成されたプロンプトの順序を一致させるシミュレーション(Evolved Temporal Targets: ETT)である。
我々はGemma-3を用いてレニア基質で実証実験を行い、ESTがより視覚的新規性を促進する一方、ETTはより一貫性があり解釈可能な進化配列を育むことを示す。
この結果から,ASAL++はFM駆動型ALife発見の新たな方向に向かっている可能性が示唆された。
関連論文リスト
- Automating the Search for Artificial Life with Foundation Models [38.43059334611231]
本稿では、視覚言語基礎モデルを用いて、この機会の実現に成功したことを初めて提示する。
提案したアプローチは、自動人工生命探索(ASAL)と呼ばれ、ターゲット現象を生成するシミュレーションを見つける。
ASALは、Boids、Particle Life、Game of Life、Lenia、Neural Cellular Automataなど、さまざまなALife基板で効果的に動作する。
論文 参考訳（メタデータ） (2024-12-23T18:57:00Z) - From Text to Life: On the Reciprocal Relationship between Artificial Life and Large Language Models [18.888208951616008]
大規模言語モデル(LLM)は、AIの分野を嵐によって捉えてきたが、ALife(Artificial Life)分野への採用は、これまでは比較的限定的だった。
例えば、進化のオペレーターやオープンエンド環境の生成など、ALife研究のツールとしてのLLMの可能性を探る。
論文 参考訳（メタデータ） (2024-06-14T07:45:32Z) - A Survey on Self-Evolution of Large Language Models [116.54238664264928]
大規模言語モデル(LLM)は、様々な分野やインテリジェントエージェントアプリケーションにおいて大きく進歩している。
この問題に対処するために、LLMが自律的に獲得し、洗練し、モデル自身によって生成された経験から学ぶことができる自己進化的アプローチが急速に成長している。
論文 参考訳（メタデータ） (2024-04-22T17:43:23Z) - Octopus: Embodied Vision-Language Programmer from Environmental Feedback [58.04529328728999]
身体視覚言語モデル(VLM)は多モード認識と推論において大きな進歩を遂げた。
このギャップを埋めるために、我々は、計画と操作を接続する媒体として実行可能なコード生成を使用する、具体化された視覚言語プログラマであるOctopusを紹介した。
Octopusは、1)エージェントの視覚的およびテキスト的タスクの目的を正確に理解し、2)複雑なアクションシーケンスを定式化し、3)実行可能なコードを生成するように設計されている。
論文 参考訳（メタデータ） (2023-10-12T17:59:58Z) - SELF: Self-Evolution with Language Feedback [68.6673019284853]
SELF(Self-Evolution with Language Feedback)は、大規模言語モデルを進化させる新しいアプローチである。
LLMは、人間の学習プロセスと同様、自己回帰を通じて自己改善を可能にする。
数学および一般タスクにおける実験により,SELFは人間の介入なしにLLMの能力を高めることができることが示された。
論文 参考訳（メタデータ） (2023-10-01T00:52:24Z) - Towards Large-Scale Simulations of Open-Ended Evolution in Continuous
Cellular Automata [0.0]
並列計算フレームワーク JAX を用いた大規模進化シミュレーションを構築した。
遺伝子操作子を暗黙的に実装するなど、システム設計の選択肢を多数報告する。
オープンエンド進化を促進する要因をいくつか提案する。
論文 参考訳（メタデータ） (2023-04-12T06:40:11Z) - Continual Visual Reinforcement Learning with A Life-Long World Model [55.05017177980985]
視覚力学モデリングのための新しい連続学習手法を提案する。
まず,タスク固有の潜在ダイナミクスを学習する長寿命世界モデルを紹介する。
そして,探索・保守的行動学習手法を用いて,過去の課題に対する価値推定問題に対処する。
論文 参考訳（メタデータ） (2023-03-12T05:08:03Z)
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。