論文の概要: A New Kind of Network? Review and Reference Implementation of Neural Cellular Automata
- arxiv url: http://arxiv.org/abs/2604.24990v1
- Date: Mon, 27 Apr 2026 20:49:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-29 16:49:17.595142
- Title: A New Kind of Network? Review and Reference Implementation of Neural Cellular Automata
- Title（参考訳）: ニューラルセルオートマタ : ニューラルセルオートマタのレビューとリファレンス実装
- Authors: Martin Spitznagel, Janis Keuper,
- Abstract要約: 本稿では,ニューラルセルオートマタに関する既存の研究について概説する。
オープンソースのライブラリであるNCAtorchのリファレンス実装と同様に、統一されたモジュール化されたフレームワークと表記を提供する。
- 参考スコア（独自算出の注目度）: 16.955147230677042
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Stephen Wolfram proclaimed in his 2003 seminal work "A New Kind Of Science" that simple recursive programs in the form of Cellular Automata (CA) are a promising approach to replace currently used mathematical formalizations, e.g. differential equations, to improve the modeling of complex systems. Over two decades later, while Cellular Automata have still been waiting for a substantial breakthrough in scientific applications, recent research showed new and promising approaches which combine Wolfram's ideas with learnable Artificial Neural Networks: So-called Neural Cellular Automata (NCA) are able to learn the complex update rules of CA from data samples, allowing them to model complex, self-organizing generative systems. The aim of this paper is to review the existing work on NCA and provide a unified modular framework and notation, as well as a reference implementation in the open-source library NCAtorch.
- Abstract（参考訳）: スティーブン・ウルフラムは2003年の論文「A New Kind of Science」の中で、セルラーオートマタ(CA)という形で単純な再帰的プログラムは、複雑なシステムのモデリングを改善するために現在使われている数学的形式、例えば微分方程式を置き換えるための有望なアプローチであると宣言した。
20年以上後、セルラーオートマタは科学的応用において大きなブレークスルーを待ち続けているが、最近の研究では、Wolfram氏のアイデアと学習可能な人工ニューラルネットワークを組み合わせた、新しい、有望なアプローチが示されている: いわゆるニューラルセルラーオートマタ(NCA)は、データサンプルからCAの複雑な更新ルールを学習し、複雑な自己組織化生成システムをモデル化することができる。
本研究の目的は,オープンソースライブラリである NCAtorch のリファレンス実装だけでなく,既存の NCA の成果を概観し,統一的なモジュール化フレームワークと表記法を提供することである。
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) - NNTile: a machine learning framework capable of training extremely large GPT language models on a single node [83.9328245724548]
NNTileはタスクベースの並列処理を実装したStarPUライブラリをベースとしている。
これは、大きなニューラルネットワークをトレーニングするために必要な特定の操作が、CPUコアまたはGPUデバイスのいずれかで実行されることを意味する。
論文 参考訳（メタデータ） (2025-04-17T16:22:32Z) - Scalable Mechanistic Neural Networks for Differential Equations and Machine Learning [52.28945097811129]
長い時間的シーケンスを含む科学機械学習応用のための拡張ニューラルネットワークフレームワークを提案する。
計算時間と空間複雑度はそれぞれ、列長に関して立方体と二次体から線形へと減少する。
大規模な実験により、S-MNNは元のMNNと精度で一致し、計算資源を大幅に削減した。
論文 参考訳（メタデータ） (2024-10-08T14:27:28Z) - A Unified Framework for Neural Computation and Learning Over Time [56.44910327178975]
Hamiltonian Learningはニューラルネットワークを"時間とともに"学習するための新しい統合フレームワーク
i)外部ソフトウェアソルバを必要とせずに統合できる、(ii)フィードフォワードおよびリカレントネットワークにおける勾配に基づく学習の概念を一般化する、(iii)新しい視点で開放する、という微分方程式に基づいている。
論文 参考訳（メタデータ） (2024-09-18T14:57:13Z) - Harnessing Neural Unit Dynamics for Effective and Scalable Class-Incremental Learning [38.09011520275557]
クラスインクリメンタルラーニング(Class-incremental Learning, CIL)は、古いクラスを忘れずに、非定常データストリームから新しいクラスを学ぶためのモデルをトレーニングすることを目的としている。
本稿では、ニューラルネットワークの動作をCILに適応させるニューラルネットワークユニットダイナミクスを調整し、新しい種類のコネクショナリストモデルを提案する。
論文 参考訳（メタデータ） (2024-06-04T15:47:03Z) - Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。
新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。
我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
論文 参考訳（メタデータ） (2024-02-20T15:23:24Z) - GreenLightningAI: An Efficient AI System with Decoupled Structural and
Quantitative Knowledge [0.0]
強力な、人気のあるディープニューラルネットワークのトレーニングには、非常に高い経済的および環境的コストが伴う。
この作業は、GreenLightningAIを提案することによって、根本的に異なるアプローチを取る。
新しいAIシステムは、所定のサンプルに対してシステムサブセットを選択するために必要な情報を格納する。
我々は,AIシステムを新しいサンプルで再学習する際に,構造情報を無修正で保持できることを実験的に示す。
論文 参考訳（メタデータ） (2023-12-15T17:34:11Z) - Exploring Multiple Neighborhood Neural Cellular Automata (MNNCA) for
Enhanced Texture Learning [0.0]
細胞性オートマタ(CA)は、力学系をシミュレートする基礎となっている。
最近のイノベーションは、ディープラーニングの領域にニューラルセルオートマタ(NCA)をもたらした。
NCA は NCA を勾配降下によって訓練し、特定の形状に進化させ、テクスチャを生成し、スワーミングのような振る舞いを模倣することができる。
本研究は,複数の地区を組み込んだNCAフレームワークの強化と,シード状態に対する構造ノイズの導入について検討する。
論文 参考訳（メタデータ） (2023-10-27T15:16:19Z) - Towards self-organized control: Using neural cellular automata to
robustly control a cart-pole agent [62.997667081978825]
我々は、カートポールエージェントを制御するために、ニューラルセルオートマトンを使用する。
我々は、Q値の推定値として出力セルの状態を用いる深層学習を用いてモデルを訓練した。
論文 参考訳（メタデータ） (2021-06-29T10:49:42Z) - 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)
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。