本文介绍了一种名为“生长型神经细胞自动机”的模型，该模型将神经网络与细胞自动机相结合，使智能体能够从单个细胞开始，通过局部交互逐步生长出复杂的形态结构。模型通过训练神经网络控制每个细胞的更新规则，实现了自组织、自修复和形态发生等特性。文章详细阐述了模型架构、训练方法、涌现行为及其在计算机图形学、机器人学等领域的潜在应用。
核心要点
- 生长型神经细胞自动机将神经网络嵌入细胞自动机框架，每个细胞根据局部信息更新状态，实现全局形态的涌现。
- 模型从单个种子细胞开始，通过迭代更新逐步生长出目标形状，如字母、图案等。
- 训练采用可微的细胞自动机更新规则，利用梯度下降优化神经网络参数，使生长过程符合目标形态。
- 模型展现出鲁棒的自修复能力：当部分细胞被移除后，剩余细胞能重新生长恢复原状。
- 该工作为自组织系统、形态发生计算和可编程物质提供了新范式，具有在软体机器人、再生医学等领域的应用前景。
正文
引言
细胞自动机（Cellular Automata, CA）是一种由离散细胞组成的网格，每个细胞根据局部规则更新状态，从而产生复杂的全局行为。传统CA的规则是手工设计的，难以适应复杂任务。本文提出“生长型神经细胞自动机”（Growing Neural Cellular Automata），用神经网络替代手工规则，使CA能够学习从单个细胞生长出特定形态。
模型架构
模型由二维网格上的细胞组成，每个细胞具有一个状态向量（包括RGB颜色和隐藏通道）。每个时间步，细胞收集自身及邻居的状态信息，输入一个小型神经网络（通常为全连接网络），输出更新后的状态向量。网络参数在所有细胞间共享，保证了平移不变性和局部性。
训练方法
训练目标是从一个初始种子细胞（例如中心一个白色细胞）生长出目标图案（如字母“S”）。损失函数衡量当前网格状态与目标图案的差异。由于更新规则是可微的，可以使用反向传播通过时间（BPTT）优化网络参数。训练时，模型从种子开始迭代固定步数（如64步），计算损失并更新网络。
涌现行为
训练后的模型展现出多种有趣行为： - 自组织生长：从单个细胞开始，逐步扩展出目标形状，生长过程平滑且稳定。 - 自修复：当生长完成的图案被部分破坏（如移除一半细胞），模型能自动修复，重新生长出完整形状。 - 鲁棒性：对初始种子位置、网格大小等变化具有鲁棒性。 - 多形态：同一网络可学习生长多种不同图案，通过输入条件控制。
应用与展望
该模型为自组织系统提供了新的计算范式，潜在应用包括： - 计算机图形学：生成纹理、图案和动画。 - 机器人学：设计可自修复的软体机器人。 - 再生医学：模拟组织生长和修复过程。 - 可编程物质：实现可自组装、自修复的材料。
未来工作可探索更复杂的3D形态、引入环境交互以及扩展到多智能体系统。
关联概念
- 细胞自动机 (Cellular Automata)
- 神经网络 (Neural Networks)
- 自组织 (Self-organization)
- 形态发生 (Morphogenesis)
- 可微编程 (Differentiable Programming)
可操作项
- 使用PyTorch或TensorFlow实现一个简单的2D神经细胞自动机，从单个种子生长出字母形状。
- 尝试不同的网络架构（如卷积层）和损失函数，观察对生长质量的影响。
- 测试模型的自修复能力：在生长完成后手动移除部分细胞，观察修复过程。
- 扩展模型到3D网格，尝试生长简单立体形状。
原文: Growing Neural Cellular Automata
自动加工于 2026-05-20 11:24