Los investigadores y los entusiastas han sido fascinados por el desafío de los comportamientos complejos de ingeniería inversa que surgen de reglas simples en autómatas celulares durante décadas. Tradicionalmente, este campo adopta un enfoque ascendente, definiendo las regulaciones locales y observando los patrones que surgen de ellos. Pero, ¿qué pasaría si pudiéramos voltear este proceso? En lugar de diseñar reglas manualmente, podríamos desarrollar un sistema totalmente diferenciable que aprenda las reglas locales necesarias para generar un patrón complejo dado mientras se mantiene la naturaleza discreta de los autómatas celulares. Este enfoque abre nuevas posibilidades para automatizar el descubrimiento de reglas de una manera estructurada y escalable.
El trabajo previo ha investigado las reglas de transición de aprendizaje utilizando métodos no diferenciables, lo que demuestra que este método puede desarrollar regulaciones locales para tareas computacionales específicas. Además, la investigación ha explorado formas de hacer que los autómatas celulares unidimensionales diferenciables, lo que permite técnicas de optimización basadas en gradientes para el aprendizaje de reglas. Sobre la base de estas bases nos permite desarrollar sistemas que descubran automáticamente las reglas que generan los patrones deseados, cerrando la brecha entre los autómatas celulares artesanales y los modelos computacionales aprendidos.
Los investigadores de Google introdujeron autómatas celulares lógicas diferenciables (CA difflógica), que aplica puertas lógicas diferenciables a los autómatas celulares. Este método replica con éxito las reglas del juego de vida de Conway y genera patrones a través de una dinámica discreta aprendida. El enfoque fusiona los autómatas celulares neurales (NCA), que pueden aprender comportamientos arbitrarios pero carecen de restricciones de estado discretas, con redes de compuerta lógica diferenciable, que permiten el descubrimiento lógico combinatorial pero no se han probado en entornos recurrentes. Esta integración allana el camino para la informática aprendible, local y discreta, potencialmente avanzando la materia programable. El estudio explora si la CA lógica diferenciable puede aprender y generar patrones complejos similares a los NCA tradicionales.
NCA integra autómatas celulares clásicas con aprendizaje profundohabilitando la autoorganización a través de reglas de actualización aprendibles. A diferencia de los métodos tradicionales, NCA utiliza descenso de gradiente para descubrir interacciones dinámicas al tiempo que preserva la localidad y el paralelismo. Una cuadrícula 2D de células evoluciona a través de la percepción (usando filtros Sobel) y actualizando las etapas (a través de redes neuronales). Las redes de compuerta lógica diferenciable (DLGN) extienden esto reemplazando las neuronas con puertas lógicas, permitiendo que las operaciones discretas se aprendan a través de relajaciones continuas. Difflogic CA integra aún más estos conceptos, empleando células de estado binario con percepción lógica basadas en la puerta y mecanismos de actualización, formando un sistema computacional adaptable similar a las arquitecturas de materia programables como CAM-8.
El juego de la vida de Conway, un autómata celular introducido por John Conway en 1970, sigue reglas simples que rigen las interacciones celulares para producir comportamientos complejos. Se capacitó un modelo utilizando Difflogic CA para replicar estas reglas, empleando una red con 16 kernels de circuito de percepción y 23 capas de actualización. La función de pérdida minimizó las diferencias cuadradas entre los estados predichos y reales. La capacitación en las 512 rejillas 3 × 3 posibles permitió un aprendizaje preciso de reglas, que amplió efectivamente a cuadrículas más grandes. El circuito erudito replicó los patrones clásicos del juego de la vida, demostrando su capacidad para generalizar, exhibir tolerancia a fallas y autocuración sin mecanismos de robustez diseñados explícitamente.
En conclusión, el estudio introduce DiFflogic CA, una arquitectura de NCA que emplea estados celulares discretos y circuitos binarios recurrentes. La integración de redes lógicas profundas diferenciables permite la capacitación diferenciable de las puertas lógicas. El modelo replica el juego de vida de Conway y genera patrones utilizando dinámicas discretas aprendidas. A diferencia de los NCA tradicionales, que dependen de costosas operaciones de matriz, este enfoque mejora la interpretabilidad y la eficiencia. Las mejoras futuras pueden involucrar arquitecturas jerárquicas y mecanismos de activación de LSTM. Esta investigación sugiere que la integración de puertas lógicas diferenciables con NCA podría avanzar en la materia programable, haciendo que el cálculo sea más eficiente y adaptable a la generación de patrones complejos.
Verificar el Detalle técnico. Todo el crédito por esta investigación va a los investigadores de este proyecto. Además, siéntete libre de seguirnos Gorjeo Y no olvides unirte a nuestro Subreddit de 80k+ ml.
Sana Hassan, una pasante de consultoría en MarktechPost y estudiante de doble grado en IIT Madras, le apasiona aplicar tecnología e IA para abordar los desafíos del mundo real. Con un gran interés en resolver problemas prácticos, aporta una nueva perspectiva a la intersección de la IA y las soluciones de la vida real.