- HyperNCA: растущие сети развития с нейронными клеточными автоматами (arXiv)
Автор:Элиас Наджарро, Шьям Судхакаран, Клэр Глануа, Себастьян Ризи
Аннотация: В отличие от агентов глубокого обучения с подкреплением, биологические нейронные сети выращиваются посредством самоорганизующегося процесса развития. Здесь мы предлагаем новый гиперсетевой подход для выращивания искусственных нейронных сетей на основе нейронных клеточных автоматов (NCA). Вдохновленные самоорганизующимися системами и теоретико-информационными подходами к биологии развития, мы показываем, что наш метод HyperNCA может выращивать нейронные сети, способные решать общие задачи обучения с подкреплением. Наконец, мы исследуем, как тот же подход можно использовать для построения сетей метаморфоз развития, способных преобразовывать свои веса для решения вариаций исходной задачи RL.
2.Линейные программы с полиномиальными коэффициентами и приложения к одномерным клеточным автоматам (arXiv)
Автор :Гай Бреслер, Чэнхао Го, Юрий Полянский
Аннотация: для матрицы A и вектора b с полиномиальными элементами от d вещественных переменных δ=(δ1,…,δd) мы рассматриваем следующее понятие допустимости: пара (A,b) локально допустима если существует открытая окрестность U точки 0 такая, что для каждого δ∈U существует x, удовлетворяющий A(δ)x≥b(δ) по элементам. Для d=1 мы строим алгоритм с полиномиальным временем для определения локальной выполнимости. Для d≥2 мы показываем, что локальная выполнимость NP-трудна. В качестве приложения (что было основным мотивом для этой работы) мы даем компьютерное доказательство эргодичности следующего элементарного одномерного клеточного автомата: при текущем состоянии ηt∈{0,1}Z следующее состояние ηt+1(n ) в каждой вершине n∈Z получается как ηt+1(n)=NAND(BSCδ(ηt(n−1)),BSCδ(ηt(n))). Здесь двоичный симметричный канал BSCδ принимает на вход бит и инвертирует его с вероятностью δ (и оставляет неизменным с вероятностью 1−δ). Также рассматривается задача трансляции информации по двумерной сетке зашумленных бинарно-симметричных каналов BSCδ, где каждый узел может применять произвольную функцию обработки к своим входным битам. Доказано, что существует δ′0›0 такое, что для всех уровней шума 0‹δ‹δ′0 невозможно транслировать информацию ни для одной функции обработки, как предполагают Макур, Моссель, Полянский (ИСИТ 2021)
3.CAsimulations: моделирование топологической динамики заболевания с использованием клеточных автоматов (arXiv)
Автор:Хорхе Андрес Ибаньес Уэртас, Карлос Исаак Зайнеа Майя
Аннотация: Прогноз поведения болезни, уровень аффективности в популяции и способы ее контроля являются наиболее важными аспектами, изучаемыми эпидемиологией с использованием таких инструментов, как исторические данные и математические модели. Итак, наша цель состоит в том, чтобы (1) предоставить инструмент, способный анализировать эпидемиологические явления, начиная с наиболее распространенных социальных взаимодействий внутри группы людей. (2) Обеспечить методологию построения эпидемиологических моделей на основе закономерностей и логических правил. (3) Определить влияние социальных взаимодействий на распространение болезни. В этой статье описывается логическое построение двух эпидемиологических моделей клеточных автоматов вместе с двумя их вариациями, основанными на топологических и динамических принципах.
4. Вероятностные клеточные автоматы с сублинейным временем (arXiv)
Автор:Аугусто Моданезе
Аннотация: мы предлагаем и исследуем вероятностную модель одномерных клеточных автоматов с сублинейным временем. В частности, мы модифицируем модель АСА (которые представляют собой клеточные автоматы, принимающие решение тогда и только тогда, когда все клетки принимают одновременно), чтобы каждая клетка менял свое состояние не только в зависимости от состояний, которые она видит по соседству, но и от беспристрастного подбрасывания монеты. своего собственного. Полученная модель получила название \emph{вероятностный ACA} (PACA), соответственно. Мы рассматриваем как одностороннюю, так и двустороннюю ошибочные версии модели (в том же духе, что и классические классы машин Тьюринга RP и BPP) и устанавливаем разделение между классами языков, которые они могут распознавать вплоть до o(n− −√) время. Мы также доказываем, что дерандомизация T(n)-времени PACA (в детерминированные клеточные автоматы с полиномиальным временем) для различных режимов T(n)=ω(logn) влечет за собой нетривиальные результаты дерандомизации для класса RP (например, P =РП). Наконец, что не менее важно, в качестве нашего основного вклада мы даем полную характеристику классов PACA с постоянным временем: для односторонней ошибки класс равен классу детерминированной модели; то есть мы доказываем, что односторонняя ошибка PACA с постоянным временем может быть полностью дерандомизирована только с постоянными мультипликативными накладными расходами по временной сложности. Что касается двусторонней ошибки, мы характеризуем соответствующий класс в терминах линейного порогового условия и доказываем, что он находится между классом строго локально проверяемых языков (SLT) и локально пороговых проверяемых языков (LTT), будучи несравнимым. на локально тестируемые языки (LT).
5.Физические нейронные клеточные автоматы для классификации 2D-форм (arXiv)
Автор: Кэтрин Уокер, Расмус Берг Палм, Родриго Морено Гарсия, Андрес Файна, Каспер Стой, Себастьян Ризи.
Аннотация. Материалы, обладающие способностью самоклассифицировать свою форму, могут быть использованы в самых разных инженерных приложениях и отраслях. Биологические системы обладают способностью не только к самореконфигурации, но и к самоклассификации для определения общей формы и функции. Предыдущая работа над модульными робототехническими системами позволяла только самораспознавание и самореконфигурацию в конкретную целевую форму, упуская присущую природе надежность для самоклассификации. Поэтому в этой статье мы воспользуемся последними достижениями в области глубокого обучения и нейронных клеточных автоматов и представляем простую модульную двухмерную роботизированную систему, которая может определять свой собственный класс формы посредством локальной связи своих компонентов. Кроме того, мы показываем, что наша система может быть успешно перенесена на аппаратное обеспечение, что открывает возможности для будущих самоклассифицирующихся машин.
Автор:
Аннотация:
