論文の概要: Reasoning with Neural Cellular Automata

• arxiv url: http://arxiv.org/abs/2609.36126v1
• Date: Mon, 28 Sep 2026 18:59:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:46.962183
• Title: Reasoning with Neural Cellular Automata
• Title（参考訳）: ニューラルセルオートマタによる推論
• Abstract要約: ニューラルセルラーオートマタ(NCA)は,視覚的推論タスクを分散的に解くことができることを示す。 NCAは、大きな迷路、スドク、ARC-AGI-1などの難解な視覚的推論タスクを解くことができるダイナミクスを生成する。
• 参考スコア（独自算出の注目度）: 7.464536452003357
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern AI architectures used to solve visual reasoning tasks typically rely heavily on global connectivity and synchronization. As biological systems demonstrate, though, sophisticated computation can be performed in a more decentralized fashion. In this work, we test the reasoning capabilities of Neural Cellular Automata (NCAs), networks of recurrent cells that use strictly local connectivity and asynchronous updates. NCAs have been extensively studied in artificial life experiments, but it is unclear whether they can perform complex multi-step reasoning. We show that NCAs produce spatio-temporal dynamics capable of solving challenging visual reasoning tasks, including large mazes, Sudoku, and ARC-AGI-1. Furthermore, we provide evidence that NCAs generalize out-of-distribution when running with larger grids, longer rollouts, or parallel trials; and that the latter can be made more efficient via pruning of redundant trajectories. We find that these generalization capabilities depend on training with sample replay and stochastic perturbations, and that stochasticity remains beneficial at test time. Finally, we show that NCAs are robust reasoners capable of dynamically modulating compute to recover efficiently from damage, and that they can scale to solve reasoning in raw pixel space.
• Abstract（参考訳）: 視覚的推論タスクを解決するために使用される現代のAIアーキテクチャは、一般的にグローバルな接続性と同期に大きく依存している。 しかし、生物学的システムが示すように、高度な計算はより分散的に行うことができる。 本研究では,ローカル接続と非同期更新を厳密に利用するリカレントセルネットワークであるNCA(Neural Cellular Automata)の推論機能をテストする。 NCAは人工生命実験で広く研究されてきたが、複雑な多段階推論が可能かどうかは不明である。 本研究では,大きな迷路,スドク,ARC-AGI-1などの視覚的推論課題を解くことのできる時空間的時空間ダイナミクスをNCAが生み出すことを示す。 さらに, NCAは, より大きなグリッド, 長いロールアウト, あるいは平行な試行において, 分散処理を一般化し, 冗長なトラジェクトリのプルーニングにより, より効率的に行うことができることを示す。 これらの一般化機能は、サンプル再生と確率摂動によるトレーニングに依存しており、確率性はテスト時に有益である。 最後に,NCAは動的に計算を変調し,損傷から効率的に回復できるロバストな推論器であり,原画素空間での推論を解くためにスケール可能であることを示す。

関連論文リスト

• BraiNCA: brain-inspired neural cellular automata and applications to morphogenesis and motor control [1.9116784879310027]
  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。
  論文  参考訳（メタデータ） (2026-04-02T11:51:42Z)
• AI Agents as Universal Task Solvers [94.49762121230042]
  我々は,過去のデータを用いて,普遍的な解法が達成できる最適なスピードアップが,アルゴリズム情報と密接な関係があることを示す。 我々は、推論モデルをスケールする際に最適化する重要な量は時間であり、学習における重要な役割は、これまでは間接的にのみ考慮されてきたと論じている。
  論文  参考訳（メタデータ） (2025-10-14T02:17:54Z)
• 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)
• Adaptive recurrent vision performs zero-shot computation scaling to unseen difficulty levels [6.053394076324473]
  また,適応計算により,学習分布の難易度を超える解を視覚モデルで外挿できるかどうかを検討する。 畳み込みリカレントニューラルネットワーク(ConvRNN)とGraves(PathFinder)とMazes(Mazes)をベースとした学習可能なメカニズムを組み合わせる。 本稿では,AdRNNが早期(ないし遅れ)の処理を動的に停止して,より容易(あるいは困難)な問題を解消できることを示し,また,テスト時の繰り返し回数を動的に増加させることで,トレーニング中に表示されないより困難な問題設定に0ショットを一般化する。
  論文  参考訳（メタデータ） (2023-11-12T21:07:04Z)
• Solving Large-scale Spatial Problems with Convolutional Neural Networks [88.31876586547848]
  大規模空間問題に対する学習効率を向上させるために移動学習を用いる。 畳み込みニューラルネットワーク (CNN) は, 信号の小さな窓で訓練できるが, 性能劣化の少ない任意の大信号で評価できる。
  論文  参考訳（メタデータ） (2023-06-14T01:24:42Z)
• How neural networks learn to classify chaotic time series [77.34726150561087]
  本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。 入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
  論文  参考訳（メタデータ） (2023-06-04T08:53:27Z)
• 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)
• Neuromorphic Algorithm-hardware Codesign for Temporal Pattern Learning [11.781094547718595]
  複雑な空間時間パターンを学習するためにSNNを訓練できるLeaky IntegrateとFireニューロンの効率的なトレーニングアルゴリズムを導出する。 我々は,ニューロンとシナプスのメムリスタに基づくネットワークのためのCMOS回路実装を開発した。
  論文  参考訳（メタデータ） (2021-04-21T18:23:31Z)
• Thinking Deeply with Recurrence: Generalizing from Easy to Hard Sequential Reasoning Problems [51.132938969015825]
  我々は、リカレントネットワークは、非リカレントディープモデルの振る舞いを詳細にエミュレートする能力を有することを観察する。 再帰ステップの少ない単純な迷路を解くように訓練された再帰ネットワークは、推論中に追加の繰り返しを実行するだけで、より複雑な問題を解決することができる。
  論文  参考訳（メタデータ） (2021-02-22T14:09:20Z)

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。