論文の概要: BraiNCA: brain-inspired neural cellular automata and applications to morphogenesis and motor control
- arxiv url: http://arxiv.org/abs/2604.01932v1
- Date: Thu, 02 Apr 2026 11:51:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-03 14:21:10.717606
- Title: BraiNCA: brain-inspired neural cellular automata and applications to morphogenesis and motor control
- Title（参考訳）: BraiNCA:脳にインスパイアされた神経細胞オートマトンとその形態形成と運動制御への応用
- Authors: Léo Pio-Lopez, Benedikt Hartl, Michael Levin,
- Abstract要約: 注意層,長距離接続,複雑なトポロジーを有する脳誘発性NAAであるBraiNCAを紹介する。
BraiNCAは、Vanilla NCAと比較して、2つのタスクの堅牢性と学習速度の点で、より良い結果を示している。
- 参考スコア（独自算出の注目度）: 1.9116784879310027
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Most of the Neural Cellular Automata (NCAs) defined in the literature have a common theme: they are based on regular grids with a Moore neighborhood (one-hop neighbour). They do not take into account long-range connections and more complex topologies as we can find in the brain. In this paper, we introduce BraiNCA, a brain-inspired NCA with an attention layer, long-range connections and complex topology. BraiNCAs shows better results in terms of robustness and speed of learning on the two tasks compared to Vanilla NCAs establishing that incorporating attention-based message selection together with explicit long-range edges can yield more sample-efficient and damage-tolerant self-organization than purely local, grid-based update rules. These results support the hypothesis that, for tasks requiring distributed coordination over extended spatial and temporal scales, the choice of interaction topology and the ability to dynamically route information will impact the robustness and speed of learning of an NCA. More broadly, BraiNCA provides brain-inspired NCA formulation that preserves the decentralized local update principle while better reflecting non-local connectivity patterns, making it a promising substrate for studying collective computation under biologically-realistic network structure and evolving cognitive substrates.
- Abstract（参考訳）: 文献で定義されたニューラルセルラーオートマタ(NCAs)のほとんどは共通のテーマを持ち、ムーア地区(ワンホップ近隣)の正規格子に基づいている。
長距離接続や脳内のより複雑なトポロジを考慮に入れていないのです。
本稿では,脳にインスパイアされたNAAであり,注意層,長距離接続,複雑なトポロジーを有するBraiNCAを紹介する。
BraiNCAは、2つのタスクの堅牢性と学習速度の点で、Vanilla NCAと比較して、注意ベースのメッセージ選択を明示的な長距離エッジと組み合わせることで、純粋なローカルなグリッドベースの更新ルールよりも、よりサンプリング効率と耐損傷性の高い自己組織化が得られる、と定めている。
これらの結果は,空間的および時間的スケールの分散調整を必要とするタスクに対して,対話トポロジの選択と動的ルーティング能力がNCAの堅牢性と学習速度に影響を与えるという仮説を支持する。
より広範に、BraiNCAは、非局所接続パターンを反映しつつ、分散ローカル更新原則を保存し、生物学的に現実的なネットワーク構造下での集合計算と認知基板の進化を研究するための有望な基盤となる、脳にインスパイアされたNAAの定式化を提供する。
関連論文リスト
- Intelligent Neural Networks: From Layered Architectures to Graph-Organized Intelligence [0.20305676256390928]
我々は、ニューロンが内部記憶を持つ第一級エンティティであり、学習された通信パターンを持つパラダイムシフトであるIntelligent Neural Networks (INN)を紹介する。
標準のText8文字モデリングベンチマークでは、INNは1.705bit-Per-Character (BPC)を達成した。
この研究は、グラフ構造を持つニューロン中心の設計が単にバイオインスパイアされただけでなく、計算的に効果的であることを示した。
論文 参考訳（メタデータ） (2025-11-27T23:59:29Z) - BrainHGT: A Hierarchical Graph Transformer for Interpretable Brain Network Analysis [18.79087093727031]
グラフ変換器は脳ネットワーク解析において顕著なポテンシャルを示す。
既存のほとんどの方法は、通常、脳を平らなネットワークとしてモデル化する。
BrainHGTは、局所的な地域からグローバルなコミュニティへの脳の自然情報処理をシミュレートする。
論文 参考訳（メタデータ） (2025-11-18T05:35:08Z) - Connectome-Guided Automatic Learning Rates for Deep Networks [3.2228025627337864]
本研究では,このコネクトーム再構成によって学習率をオンラインで調整するコネクトーム誘導自動学習率(CG-ALR)を提案する。
このコネクトロミクスにインスパイアされたメカニズムは、ネットワークの動的機能組織にステップサイズを適応させ、不安定な再構成中に学習を遅くし、安定した組織が出現するとそれを加速する。
脳コネクトームにインスパイアされた原理は、ディープラーニングにおける適応学習率の設計に役立ち、従来のSGDベースのスケジュールや最近の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2025-10-27T19:11:49Z) - Neural Cellular Automata: From Cells to Pixels [66.28419836820035]
バイオインスパイアされたニューラルセルラーオートマタ(NCAs)は、同じ細胞が自己組織され、単純な局所規則を適用することで複雑でコヒーレントなパターンを形成する生体インスパイアされたシステムである。
NCAは、自己再生、一般化、見えない状況に対する堅牢性、自発的な動きなど、突発的な行動を示す。
暗黙のデコーダを備えたNAAは,自己組織的,創発的特性を保ちながら,リアルタイムにフルHD出力を生成可能であることを示す。
論文 参考訳（メタデータ） (2025-06-28T14:30:21Z) - Biologically-Plausible Topology Improved Spiking Actor Network for Efficient Deep Reinforcement Learning [15.143466733327566]
近年の神経科学の進歩により、ヒトの脳は報酬に基づく効果的な学習を達成していることが明らかになった。
Deep Reinforcement Learning (DRL)の成功は主に、関数近似器としてArtificial Neural Networks (ANN)を活用することによる。
そこで我々は,機能近似の新たな代替手法として,生物学的に証明可能なトポロジー改良スパイキング・アクター・ネットワーク(BPT-SAN)を提案する。
論文 参考訳（メタデータ） (2024-03-29T13:25:19Z) - On The Expressivity of Recurrent Neural Cascades [48.87943990557107]
リカレントニューラルカスケード(Recurrent Neural Cascades、RNC)は、リカレントニューラルネットワークであり、リカレントニューロン間で循環的依存を持たない。
RNCは、グループを実装可能なニューロンを導入することで、すべての正規言語を表現できることを示す。
論文 参考訳（メタデータ） (2023-12-14T15:47:26Z) - Language Knowledge-Assisted Representation Learning for Skeleton-Based
Action Recognition [71.35205097460124]
人間が他人の行動を理解して認識する方法は、複雑な神経科学の問題である。
LA-GCNは、大規模言語モデル(LLM)知識アシストを用いたグラフ畳み込みネットワークを提案する。
論文 参考訳（メタデータ） (2023-05-21T08:29:16Z) - Bio-Inspired, Task-Free Continual Learning through Activity
Regularization [3.5502600490147196]
継続的学習アプローチは通常、個別のタスク境界を必要とする。
我々は神経科学からインスピレーションを得ており、忘れるのを防ぐために、スパースで重複しない神経表現が提案されている。
空間性に加えて,各層に横方向のリカレント接続を導入し,事前学習した表現をさらに保護する。
本手法は,タスク境界に関する情報を必要とせずに,弾性重み統合やシナプスインテリジェンスなどのよく知られたCL手法と類似した性能を実現する。
論文 参考訳（メタデータ） (2022-12-08T15:14:20Z) - Reducing Catastrophic Forgetting in Self Organizing Maps with
Internally-Induced Generative Replay [67.50637511633212]
生涯学習エージェントは、パターン知覚データの無限のストリームから継続的に学習することができる。
適応するエージェントを構築する上での歴史的難しさの1つは、ニューラルネットワークが新しいサンプルから学ぶ際に、以前取得した知識を維持するのに苦労していることである。
この問題は破滅的な忘れ(干渉)と呼ばれ、今日の機械学習の領域では未解決の問題のままである。
論文 参考訳（メタデータ） (2021-12-09T07:11:14Z) - Credit Assignment in Neural Networks through Deep Feedback Control [59.14935871979047]
ディープフィードバックコントロール(Deep Feedback Control, DFC)は、フィードバックコントローラを使用して、望ましい出力ターゲットにマッチするディープニューラルネットワークを駆動し、クレジット割り当てに制御信号を使用する新しい学習方法である。
学習規則は空間と時間において完全に局所的であり、幅広い接続パターンに対するガウス・ニュートンの最適化を近似する。
さらに,DFCと皮質錐体ニューロンのマルチコンパートメントモデルと,局所的な電圧依存性のシナプス可塑性規則を関連づける。
論文 参考訳（メタデータ） (2021-06-15T05:30:17Z)
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。