محققان و علاقهمندان دهههاست که مجذوب چالش مهندسی معکوس رفتارهای پیچیدهای شدهاند که از قوانین ساده در اتوماتای سلولی پدیدار میشوند. به طور سنتی، این حوزه رویکردی از پایین به بالا دارد - تعریف مقررات محلی و مشاهده الگوهای ناشی از آنها. اما چه میشد اگر میتوانستیم این فرآیند را برعکس کنیم؟ به جای طراحی دستی قوانین، میتوانیم یک سیستم کاملاً تفکیکپذیر ایجاد کنیم که قوانین محلی لازم برای تولید یک الگوی پیچیده معین را بیاموزد، در حالی که ماهیت گسسته اتوماتای سلولی را حفظ میکند. این رویکرد امکانات جدیدی را برای خودکارسازی کشف قوانین به روشی ساختاریافته و مقیاسپذیر فراهم میکند.
کارهای قبلی، یادگیری قوانین گذار را با استفاده از روشهای غیر تفکیکپذیر بررسی کردهاند و ثابت کردهاند که این روش میتواند مقررات محلی را برای وظایف محاسباتی خاص تکامل دهد. علاوه بر این، تحقیقات راههایی را برای تفکیکپذیر کردن اتوماتای سلولی یکبعدی بررسی کردهاند که امکان استفاده از تکنیکهای بهینهسازی مبتنی بر گرادیان را برای یادگیری قوانین فراهم میکند. با تکیه بر این مبانی، میتوانیم سیستمهایی را توسعه دهیم که بهطور خودکار قوانینی را کشف میکنند که الگوهای مورد نظر را تولید میکنند و شکاف بین اتوماتای سلولی دستساز و مدلهای محاسباتی آموختهشده را پر میکنند.
محققان گوگل اتوماتای سلولی منطقی تفکیکپذیر (DiffLogic CA) را معرفی کردند که گیتهای منطقی تفکیکپذیر را به اتوماتای سلولی اعمال میکند. این روش با موفقیت قوانین بازی زندگی کانوی (Conway’s Game of Life) را بازتولید میکند و الگوهایی را از طریق دینامیکهای گسسته آموخته شده تولید میکند. این رویکرد، اتوماتای سلولی عصبی (NCA) را که میتواند رفتارهای دلخواه را بیاموزد اما فاقد محدودیتهای حالت گسسته است، با شبکههای گیت منطقی تفکیکپذیر (Differentiable Logic Gate Networks) که امکان کشف منطق ترکیبی را فراهم میکنند اما در تنظیمات بازگشتی آزمایش نشدهاند، ادغام میکند. این یکپارچهسازی راه را برای محاسبات قابل یادگیری، محلی و گسسته هموار میکند و بهطور بالقوه باعث پیشرفت در مواد قابل برنامهریزی میشود. این مطالعه بررسی میکند که آیا DiffLogic CA میتواند الگوهای پیچیدهای شبیه به NCAهای سنتی را یاد بگیرد و تولید کند.
اتوماتای سلولی عصبی (NCA) اتوماتای سلولی کلاسیک را با یادگیری عمیق ادغام میکند و امکان خودسازماندهی را از طریق قوانین بهروزرسانی قابل یادگیری فراهم میکند. برخلاف روشهای سنتی، NCA از گرادیان کاهشی برای کشف تعاملات دینامیکی استفاده میکند و در عین حال، محلی بودن و موازیسازی را حفظ میکند. یک شبکه دو بعدی از سلولها از طریق ادراک (با استفاده از فیلترهای سوبل) و مراحل بهروزرسانی (از طریق شبکههای عصبی) تکامل مییابد. شبکههای گیت منطقی تفکیکپذیر (DLGN) این مفهوم را با جایگزینی نورونها با گیتهای منطقی گسترش میدهند و امکان یادگیری عملیات گسسته را از طریق تسهیل پیوسته فراهم میکنند. DiffLogic CA این مفاهیم را بیشتر ادغام میکند و از سلولهای با حالت دودویی با ادراک مبتنی بر گیت منطقی و مکانیزمهای بهروزرسانی استفاده میکند و یک سیستم محاسباتی سازگار شبیه به معماریهای مواد قابل برنامهریزی مانند CAM-8 را تشکیل میدهد.
بازی زندگی کانوی، یک اتوماتون سلولی که توسط جان کانوی در سال 1970 معرفی شد، از قوانین سادهای پیروی میکند که بر تعاملات سلولی حاکم است تا رفتارهای پیچیدهای را ایجاد کند. مدلی با استفاده از DiffLogic CA برای بازتولید این قوانین آموزش داده شد، که از شبکهای با 16 هسته مدار ادراکی و 23 لایه بهروزرسانی استفاده میکرد. تابع هزینه، اختلافات مربعی بین حالتهای پیشبینیشده و واقعی را به حداقل رساند. آموزش بر روی تمام 512 شبکه 3x3 ممکن، امکان یادگیری دقیق قوانین را فراهم کرد که بهطور موثر به شبکههای بزرگتر مقیاسپذیر بود. مدار آموختهشده الگوهای کلاسیک بازی زندگی را بازتولید کرد و توانایی خود را در تعمیم، نشان دادن تحمل خطا و خودترمیمی بدون مکانیزمهای مقاومتی که بهطور صریح طراحی شدهاند، نشان داد.
در نتیجه، این مطالعه DiffLogic CA را معرفی میکند، یک معماری NCA که از حالتهای سلولی گسسته و مدارهای دودویی بازگشتی استفاده میکند. یکپارچهسازی شبکههای منطقی تفکیکپذیر عمیق، آموزش تفکیکپذیر گیتهای منطقی را ممکن میسازد. این مدل بازی زندگی کانوی را بازتولید میکند و الگوهایی را با استفاده از دینامیکهای گسسته آموختهشده تولید میکند. برخلاف NCAهای سنتی که به عملیات ماتریسی پرهزینه متکی هستند، این رویکرد قابلیت تفسیر و کارایی را افزایش میدهد. بهبودهای آتی ممکن است شامل معماریهای سلسله مراتبی و مکانیزمهای دروازهای شبیه LSTM باشد. این تحقیق نشان میدهد که ادغام گیتهای منطقی تفکیکپذیر با NCAها میتواند مواد قابل برنامهریزی را پیشرفت دهد و محاسبات را کارآمدتر و سازگارتر با تولید الگوهای پیچیده کند.
برای مشاهده جزئیات فنی به اینجا مراجعه کنید. تمام اعتبار این تحقیق متعلق به محققان این پروژه است. همچنین، میتوانید ما را در توئیتر دنبال کنید و فراموش نکنید که به سابردیت 80 هزار نفری ML ما بپیوندید.