論文の概要: The Emergence of Complex Behavior in Large-Scale Ecological Environments

• arxiv url: http://arxiv.org/abs/2510.18221v2
• Date: Wed, 22 Oct 2025 05:19:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:12.818327
• Title: The Emergence of Complex Behavior in Large-Scale Ecological Environments
• Title（参考訳）: 大規模生態系環境における複雑な行動の発生
• Authors: Joseph Bejjani, Chase Van Amburg, Chengrui Wang, Chloe Huangyuan Su, Sarah M. Pratt, Yasin Mazloumi, Naeem Khoshnevis, Sham M. Kakade, Kianté Brantley, Aaron Walsman,
• Abstract要約: オープンエンド環境下での複雑な行動の出現を物理的規模と人口規模がいかに形成するかを考察する。 私たちのゴールは、1つのハイパフォーマンスなポリシーを最適化することではなく、大きな集団にまたがって行動がどのように出現し進化するかを調べることです。
• 参考スコア（独自算出の注目度）: 33.8561801938052
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We explore how physical scale and population size shape the emergence of complex behaviors in open-ended ecological environments. In our setting, agents are unsupervised and have no explicit rewards or learning objectives but instead evolve over time according to reproduction, mutation, and natural selection. As they act, agents also shape their environment and the population around them in an ongoing dynamic ecology. Our goal is not to optimize a single high-performance policy, but instead to examine how behaviors emerge and evolve across large populations due to natural competition and environmental pressures. In an effort to discover how complex behaviors naturally emerge, we conduct experiments in large-scale worlds that reach populations of more than 60,000 individual agents, each with their own evolved neural network policy. We identify various emergent behaviors such as long-range resource extraction, vision-based foraging, and predation that arise under competitive and survival pressures. We examine how sensing modalities and environmental scale affect the emergence of these behaviors, finding that some appear only in sufficiently large environments and populations, with larger scales increasing behavioral stability and consistency. While there is a rich history of research in evolutionary settings, our scaling results provide promising new directions to explore ecology as an instrument of machine learning in an era of abundant computational resources. Experimental code is available at https://github.com/jbejjani2022/ecological-emergent-behavior.
• Abstract（参考訳）: オープンな環境下での複雑な行動の出現を物理的スケールと人口規模がいかに形成するかを考察する。 我々の設定では、エージェントは監督されず、明確な報酬や学習目的を持たないが、代わりに複製、突然変異、自然選択に応じて時間とともに進化する。 作用するにつれて、エージェントは環境と周囲の個体群を動的生態学で形成する。 我々のゴールは、一つの高性能な政策を最適化するのではなく、自然の競争と環境圧力により、大規模な集団でどのように行動が出現し、どのように進化するかを調べることである。 複雑な行動がいかに自然に現れるかを明らかにするために、我々は6万以上の個人エージェントの人口に達する大規模な世界で実験を行い、それぞれが独自のニューラルネットワークポリシーを進化させた。 本研究では,長期資源抽出,視覚に基づく捕食,捕食など,競争的・生存的圧力下で生じる様々な創発的行動を明らかにする。 本研究は, 環境・環境の変動がこれらの行動の出現にどのように影響するかを考察し, 行動の安定性と一貫性を増大させるとともに, 十分に大きな環境や人口にのみ現れるものも見出した。 進化的セッティングの研究には豊富な歴史があるが、我々のスケーリング結果は、豊富な計算資源の時代に機械学習の道具としてエコロジーを探求するための、有望な新しい方向を提供する。 実験コードはhttps://github.com/jbejjani2022/ecological-emergent-behavior.comで公開されている。

関連論文リスト

• Dynamics of niche construction in adaptable populations evolving in diverse environments [0.0]
  ニッチ・コンストラクション(ニッチ・コンストラクション、NC)は、個人が環境を継承できる自然選択の相互プロセスである。 我々は, 可塑性, 伸縮性, ニッチ構築行動を進化させる多種多様なニッチと集団からなるシミュレーション環境において, NCについて検討した。 本研究は,NC研究のシミュレーション環境を複雑化し,多種多様なニッチを考慮し,その力学を理解するために重要であることを示唆する。
  論文  参考訳（メタデータ） (2023-05-16T11:52:14Z)
• Eco-evolutionary Dynamics of Non-episodic Neuroevolution in Large Multi-agent Environments [0.0]
  環境や人口のリセットを伴わない適応剤を連続的に進化させる手法を提案する。 NEはエポジカルに非エポジカルなマルチエージェント環境で動作し,持続的な集団採餌戦略を見いだせることを示す。
  論文  参考訳（メタデータ） (2023-02-18T13:57:27Z)
• The Introspective Agent: Interdependence of Strategy, Physiology, and Sensing for Embodied Agents [51.94554095091305]
  本論では, 環境の文脈において, 自己能力を考慮した内省的エージェントについて論じる。 自然と同じように、私たちは戦略を1つのツールとして再編成して、環境において成功させたいと考えています。
  論文  参考訳（メタデータ） (2022-01-02T20:14:01Z)
• Embodied Intelligence via Learning and Evolution [92.26791530545479]
  環境の複雑さが形態学的知能の進化を促進することを示す。 また、進化は速く学習する形態を素早く選択することを示した。 我々の実験は、ボールドウィン効果とモルフォロジーインテリジェンスの発生の両方の力学的基礎を示唆している。
  論文  参考訳（メタデータ） (2021-02-03T18:58:31Z)
• 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)
• Ecological Reinforcement Learning [76.9893572776141]
  このような条件下での学習を容易にする環境特性について検討する。 環境の特性が強化学習エージェントのパフォーマンスにどのように影響するかを理解することは、学習を魅力的にする方法でタスクを構造化するのに役立ちます。
  論文  参考訳（メタデータ） (2020-06-22T17:55:03Z)

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。