neural-cellular-automata

本文提出“可学习新奇性”作为统计、复杂系统和自适应行为中智能的统一原理，并提供了一个使用储层计算的可微估计器，该估计器无需任何监督即可展示复杂性生成、抽象和探索。

Sakana AI 及其合作者推出了 Smart Cellular Bricks，这些物理模块化单元运行相同的 Neural Cellular Automata，通过本地通信共同推断其全局形状，无需中央控制器。系统展现出对噪声和故障的鲁棒性，能够进行形状分类和损伤恢复。

本文介绍了元神经细胞自动机（MetaNCA），这是一个学习局部更新规则以自组织神经网络权重而无须反向传播的框架，在MNIST和CIFAR-100上可扩展到200万参数的网络，并能泛化到未见过的架构。

介绍了 Neural Particle Automata，一种使用光滑粒子流体动力学感知来学习自组织粒子动力学的方法，使粒子能够拥有局部感知向量以执行更新规则，类似于神经细胞自动机，但在连续粒子位置上。

介绍了一种高分辨率 Neural Cellular Automata，它运行在粗网格上，并使用 Local Pattern Producing Network 生成高分辨率输出，从而实现高效的程序化生成。

本文探讨了 Neural Cellular Automata 作为一种计算模型，其灵感来源于生物形态发生和再生，展示了简单的局部规则如何导致复杂的全局行为。

Mariano Salcedo 是 MIT 新设音乐技术与计算研究生项目的首批学生之一，他正在利用神经元胞自动机生成由音乐音频流驱动的自再生视觉作品。