Los investigadores y los entusiastas han sido fascinados por el desafío de los comportamientos complejos de ingeniería inversa que surgen de reglas simples en autómatas celulares durante décadas. Tradicionalmente, este campo adopta un enfoque empinado, definiendo las regulaciones locales y observando los patrones que surgen de ellos. Pero, ¿qué pasaría si pudiéramos tumbar este proceso? En emplazamiento de diseñar reglas manualmente, podríamos desarrollar un sistema totalmente diferenciable que aprenda las reglas locales necesarias para producir un patrón confuso regalado mientras se mantiene la naturaleza discreta de los autómatas celulares. Este enfoque abre nuevas posibilidades para automatizar el descubrimiento de reglas de una guisa estructurada y escalable.
El trabajo previo ha investigado las reglas de transición de enseñanza utilizando métodos no diferenciables, lo que demuestra que este método puede desarrollar regulaciones locales para tareas computacionales específicas. Por otra parte, la investigación ha explorado formas de hacer que los autómatas celulares unidimensionales diferenciables, lo que permite técnicas de optimización basadas en gradientes para el enseñanza de reglas. Sobre la saco de estas bases nos permite desarrollar sistemas que descubran automáticamente las reglas que generan los patrones deseados, cerrando la brecha entre los autómatas celulares artesanales y los modelos computacionales aprendidos.
Los investigadores de Google introdujeron autómatas celulares lógicas diferenciables (CA difflógica), que aplica puertas lógicas diferenciables a los autómatas celulares. Este método replica con éxito las reglas del deporte de vida de Conway y genera patrones a través de una dinámica discreta aprendida. El enfoque fusiona los autómatas celulares neurales (NCA), que pueden instruirse comportamientos arbitrarios pero carecen de restricciones de estado discretas, con redes de compuerta razonamiento diferenciable, que permiten el descubrimiento razonable combinatorial pero no se han probado en entornos recurrentes. Esta integración allana el camino para la informática aprendible, almacén y discreta, potencialmente avanzando la materia programable. El estudio explora si la CA razonamiento diferenciable puede instruirse y producir patrones complejos similares a los NCA tradicionales.
NCA integra autómatas celulares clásicas con enseñanza profundohabilitando la autoorganización a través de reglas de modernización aprendibles. A diferencia de los métodos tradicionales, NCA utiliza descenso de gradiente para descubrir interacciones dinámicas al tiempo que preserva la pueblo y el paralelismo. Una cuadrícula 2D de células evoluciona a través de la percepción (usando filtros Sobel) y actualizando las etapas (a través de redes neuronales). Las redes de compuerta razonamiento diferenciable (DLGN) extienden esto reemplazando las neuronas con puertas lógicas, permitiendo que las operaciones discretas se aprendan a través de relajaciones continuas. Difflogic CA integra aún más estos conceptos, empleando células de estado binario con percepción razonamiento basadas en la puerta y mecanismos de modernización, formando un sistema computacional adaptable similar a las arquitecturas de materia programables como CAM-8.
El deporte de la vida de Conway, un autómata celular introducido por John Conway en 1970, sigue reglas simples que rigen las interacciones celulares para producir comportamientos complejos. Se capacitó un maniquí utilizando Difflogic CA para replicar estas reglas, empleando una red con 16 kernels de circuito de percepción y 23 capas de modernización. La función de pérdida minimizó las diferencias cuadradas entre los estados predichos y reales. La capacitación en las 512 rejillas 3 × 3 posibles permitió un enseñanza preciso de reglas, que amplió efectivamente a cuadrículas más grandes. El circuito erudito replicó los patrones clásicos del deporte de la vida, demostrando su capacidad para ampliar, exhibir tolerancia a fallas y autocuración sin mecanismos de robustez diseñados explícitamente.
En conclusión, el estudio introduce DiFflogic CA, una cimentación de NCA que emplea estados celulares discretos y circuitos binarios recurrentes. La integración de redes lógicas profundas diferenciables permite la capacitación diferenciable de las puertas lógicas. El maniquí replica el deporte de vida de Conway y genera patrones utilizando dinámicas discretas aprendidas. A diferencia de los NCA tradicionales, que dependen de costosas operaciones de matriz, este enfoque progreso la interpretabilidad y la eficiencia. Las mejoras futuras pueden involucrar arquitecturas jerárquicas y mecanismos de activación de LSTM. Esta investigación sugiere que la integración de puertas lógicas diferenciables con NCA podría avanzar en la materia programable, haciendo que el cálculo sea más competente y adaptable a la procreación de patrones complejos.
Efectuar el Detalle técnico. Todo el crédito por esta investigación va a los investigadores de este esquema. Por otra parte, siéntete emancipado de seguirnos Gorjeo Y no olvides unirte a nuestro Subreddit de 80k+ ml.
Sana Hassan, una pasante de consultoría en MarktechPost y estudiante de doble valor en IIT Madras, le apasiona aplicar tecnología e IA para afrontar los desafíos del mundo positivo. Con un gran interés en resolver problemas prácticos, aporta una nueva perspectiva a la intersección de la IA y las soluciones de la vida positivo.