Growing Steerable Neural Cellular Automata

要約

ニューラル セルラー オートマトン (NCA) モデルは、ローカル調整から生じるパターン形成と複雑なグローバル動作に対する顕著な能力を示しています。
ただし、NCA の元の実装では、セル自体の方向を調整することができず、セルを外部から方向付けるのはモデル設計者の責任です。
NCA (Growing Isotropic Neural Cellular Automata) の最近の等方性バリアントは、近傍の空間状態の勾配の知覚への依存性を取り除くことで、モデルの向きを独立させます。つまり、セルはもはや上と下、左と右を区別できません。
この研究では、別のアプローチで NCA を再検討します。つまり、調整可能な内部状態によって決定されるように各セルが「回転」できるようにすることで、各セルに独自の向きを担当させます。
結果として得られる Steerable NCA には、同じパターンに埋め込まれたさまざまな方向のセルが含まれています。
等方性 NCA は方向に依存しないのに対し、ステアブル NCA はキラリティーを持ち、あらかじめ決められた左右対称性を持っていることを観察しました。
したがって、(1) 2 つのシードのみを使用して対称性を破る、または (2) 回転不変トレーニング目標を導入し、非同期セル更新に依存して対称性を破るという方法により、等方性バリアントと同様ではあるがより簡単な方法で Steerable NCA をトレーニングできることを示します。
システムの上下対称性。

要約(オリジナル)

Neural Cellular Automata (NCA) models have shown remarkable capacity for pattern formation and complex global behaviors stemming from local coordination. However, in the original implementation of NCA, cells are incapable of adjusting their own orientation, and it is the responsibility of the model designer to orient them externally. A recent isotropic variant of NCA (Growing Isotropic Neural Cellular Automata) makes the model orientation-independent – cells can no longer tell up from down, nor left from right – by removing its dependency on perceiving the gradient of spatial states in its neighborhood. In this work, we revisit NCA with a different approach: we make each cell responsible for its own orientation by allowing it to ‘turn’ as determined by an adjustable internal state. The resulting Steerable NCA contains cells of varying orientation embedded in the same pattern. We observe how, while Isotropic NCA are orientation-agnostic, Steerable NCA have chirality: they have a predetermined left-right symmetry. We therefore show that we can train Steerable NCA in similar but simpler ways than their Isotropic variant by: (1) breaking symmetries using only two seeds, or (2) introducing a rotation-invariant training objective and relying on asynchronous cell updates to break the up-down symmetry of the system.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google