Capturing Emerging Complexity in Lenia

要約

この研究プロジェクトでは、デジタル生物の生態系をシミュレートする人工生命プラットフォームである Lenia を調査します。
レニアの生態系は、移動、消費、成長、繁殖できる単純な人工生物で構成されています。
このプラットフォームは、さまざまな能力や行動を持つ多様な生物を作成するためのスケーラブルで柔軟な環境を提供するため、人工生命と進化を研究するためのツールとして重要です。
Lenia の複雑さの測定は研究の重要な側面であり、まだ発見されていない Lenia のより良い動作を進化させることを目的として、ルールの長期にわたる複雑な新たな動作を測定するための指標を特定します。
遺伝的アルゴリズムは、近傍またはカーネルを遺伝子型として使用し、Lenia の残りのパラメーター (成長関数など) を固定に保ち、集団ごとに異なる行動を生成し、適合度値を測定して結果として生じる行動の複雑さを決定します。
まず、フレーム間の差異が大きいほど報酬が得られるフィットネス関数として、経時変化を使用します。
2 番目に、フレームの再構成損失のリストの変化が報酬となる自動エンコーダ ベースのフィットネスを使用します。
3 番目に、再構成されたフレームのピクセル密度の変化が大きいほど報酬が得られる複合フィットネスを実行します。
3 つの実験はすべて、ピクセルアライブしきい値と使用するフレームを調整して行われます。
最後に、各適応度について 9 回の実験を 500 世代にわたって実行した後、すべての実験からさらなる進化の余地がある構成を選択し、それを 2500 世代にわたって実行します。
結果は、カーネルの質量中心が特定のピクセルのセットで増加し、境界とともにカーネルがガウス分布を達成しようとすることを示しています。

要約(オリジナル)

This research project investigates Lenia, an artificial life platform that simulates ecosystems of digital creatures. Lenia’s ecosystem consists of simple, artificial organisms that can move, consume, grow, and reproduce. The platform is important as a tool for studying artificial life and evolution, as it provides a scalable and flexible environment for creating a diverse range of organisms with varying abilities and behaviors. Measuring complexity in Lenia is a key aspect of the study, which identifies the metrics for measuring long-term complex emerging behavior of rules, with the aim of evolving better Lenia behaviors which are yet not discovered. The Genetic Algorithm uses neighborhoods or kernels as genotype while keeping the rest of the parameters of Lenia as fixed, for example growth function, to produce different behaviors respective to the population and then measures fitness value to decide the complexity of the resulting behavior. First, we use Variation over Time as a fitness function where higher variance between the frames are rewarded. Second, we use Auto-encoder based fitness where variation of the list of reconstruction loss for the frames is rewarded. Third, we perform combined fitness where higher variation of the pixel density of reconstructed frames is rewarded. All three experiments are tweaked with pixel alive threshold and frames used. Finally, after performing nine experiments of each fitness for 500 generations, we pick configurations from all experiments such that there is a scope of further evolution, and run it for 2500 generations. Results show that the kernel’s center of mass increases with a specific set of pixels and together with borders the kernel try to achieve a Gaussian distribution.

arxiv情報

著者 Sanyam Jain,Aarati Shrestha,Stefano Nichele
発行日 2023-07-19 08:04:24+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.AI, cs.NE パーマリンク