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
- BioCLIP 2: Emergent Properties from Scaling Hierarchical Contrastive Learning [60.80381372245902]
生体視覚モデルでは,大規模コントラスト視覚言語学習により創発的行動が観察される。
我々は、異なる種を区別するために、TreeOfLife-200MでBioCLIP 2を訓練する。
得られたBioCLIP 2の埋め込み空間における創発的特性を同定する。
論文 参考訳（メタデータ） (2025-05-29T17:48:20Z) - 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) - Using Genetic Algorithms to Simulate Evolution [0.0]
将来的な変化を予測するだけでなく,遺伝的アルゴリズムによるプロセスのシミュレートも可能です。
遺伝的アルゴリズムを環境に保持するように最適化することにより、速度、サイズ、クローニング確率などの様々な特性を割り当てることができる。
種がどのように成長し進化するかを学ぶことで、私たちはテクノロジーを改良し、動物が絶滅して生き残るのを助ける方法を見つけ、病気がいかに広がるかを理解することができます。
論文 参考訳（メタデータ） (2022-09-14T00:23:06Z) - Towards the Neuroevolution of Low-level Artificial General Intelligence [5.2611228017034435]
我々は、AI(Artificial General Intelligence, AGI)の検索は、人間レベルの知能よりもはるかに低いレベルから始まるべきだと論じる。
我々の仮説は、エージェントが環境の中で行動するとき、学習は感覚フィードバックによって起こるというものである。
環境反応から学習する生物学的にインスパイアされた人工ニューラルネットワークを進化させる手法を評価する。
論文 参考訳（メタデータ） (2022-07-27T15:30:50Z) - 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) - Novelty Search makes Evolvability Inevitable [62.997667081978825]
本研究では,ノベルティ探索が,有界な行動空間においても高い進化性を示す圧力を暗黙的に生み出すことを示す。
探索を通して,行動空間において非常に活発な個人に対して,新規性報酬の動的評価を行うことが示されている。
論文 参考訳（メタデータ） (2020-05-13T09:32:07Z)
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。