理解游戏「我的天下（MineCraft）」的读者，一定很熟习这样的画面。
△图源：Science Magazine
但是，如果盖屋子的不是人，而是AI呢？
这是来自哥本哈根信息技能大学、约克大学和上海大学的学者，利用3D神经元细胞自动机（NCA）完成的新研究。
不仅能天生静态构造，当然不仅是公寓，树木、城堡也可以：
△图源：Science Magazine
还能生成功能性机器，比如爬行的毛毛虫：
△图源：Science Magazine
把它统统两段，还会玩再生术，成功分身……
（咦~有画面感了）
这是怎么做到的？
神经元细胞自动机的运用研究者实在是受到「生命游戏」中元胞自动机（CA) 的启示，在2D根本上开拓了3D神经元细胞自动机（NCA）。
「生命游戏」便是基于元胞自动机的事理制作的，也可以说是元胞自动机的一个展示。
它是由英国数学家约翰·康威在1970年发明的。在网格中，每个方格居住着一个细胞，其状态由其周围的8个细胞决定，以玄色代表细胞存活。
之后，许多研究采取了更为繁芜的神经网络规则，被称为神经元细胞自动机（NCA）。但是其运用大多局限于2D构造，或是只能天生大略的3D构造。
为了提高NCA在实际运用中的通用性，研究团队开拓了3D NCA。
它利用3D卷积捕捉周围更多的细胞，以天生繁芜的3D构造，并且具有更多类型的建造单元。
△3D神经元细胞自动机更新规则
研究职员试取利用NCA从单个活细胞天生目标实体，利用监督学习对重修丢失进行优化。
并且，将「我的天下」中的实体作为3D网格中的细胞，其状态向量包含：块类型、存活状态、隐蔽状态。
但是，由于每个单元是单一的块类型，于是他们将构造重修任务视为一个多类分类问题，预测给定单元的类型。
利用Pytorch供应的LogSoftmax和NLLLoss方法组合，以实现是在目标与预测的细胞构造之间，最小的交叉熵丢失。
这种丢失导致性能不稳定，并且模型展现出对“空气”块的偏好。
在演习中，“空气”块常日霸占了所选构造的大部分，因此，演习数据不平衡可能会导致模型过度预测。
为办理这一问题，研究职员根据是否归类为“空气 ”块，将丢失打算划分为两部分，并且增加了一个交叉重叠（IOU）本钱，丈量非“空气”块与实体之间的绝对差，以此提升精度。
效果如何？针对模型在静态构造和动态功能机器的重构性能，研究职员进行了评估，并记录了各项参数。
结果显示，NCA的重构能力具有鲁棒性：
△归一化IOU/构造性丢失
△归一化总丢失
不过，NCA对付构建较大的实体（比如：教堂）仍具有寻衅性，由于模型常常陷入局部极小值，须要更长的韶光来演习。
只管大教堂模型比一些实体的丢失更低，但有许多随机天生的构造，因此没有其他实体自然。目标构造与天生效果的比拟：
此外，在天生自然界中更随机的实体（比如：橡树）时，也更加困难。
正如前文提到的，NCA能天生静态构造，并且可以很好地增加单个块类型的数量，天生多样化和繁芜的内饰，比如公寓楼内部：
令人意外的是，在丛林神庙中，NCA乃至天生了一个箭陷阱。
在生成功能性机器时，研究职员创造，不同构造的天生模式也不同：
一些构造是从小细胞逐渐扩大到终极形态；而毛毛虫则是先快速天生，然后再淘汰细胞形成终极的构造。
△图源：Science Magazine
此外，NCA的再生特性也是一大亮点，除了从单个细胞中成长出繁芜的构造外，这些局部更新规则还许可再生或修复损伤。
纵然未经演习，它仍旧能规复某些受损的构造，比如树：
不过，研究职员在比拟测试后创造：
在未经由再生演习时，模型的再生率仅有30%；而进行再生演习后，天生率能达到99%。
3D NCA引起了网友的广泛关注，reddit上还有网友提到：
NCA在物理学上的运用也值得探索，比如：它可以用来仿照晶体形成。
参考链接：[1]https://arxiv.org/abs/2103.08737[2]https://www.sciencemag.org/news/2021/03/watch-artificial-intelligence-grow-walking-caterpillar-minecraft[3]https://en.wikipedia.org/wiki/Conway%27s_Game_of_Life[4]https://twitter.com/risi1979/status/1372158321256456198[5]https://www.reddit.com/r/MachineLearning/comments/m70b2p/r_growing_3d_artefacts_and_functional_machines/
— 完 —
量子位 QbitAI · 头条号签约
关注我们，第一韶光获知前沿科技动态