Growing Neural Cellular Automata
L'article présente un modèle de Neural Cellular Automata où chaque cellule est codée par un vecteur continu de 16 valeurs, dont un canal alpha pour distinguer cellules vivantes et mortes. La règle locale combine une phase de perception basée sur des gradients (filtres Sobel), un réseau différentiable (convolutions 1x1 et ReLU), une mise à jour stochastique et un masquage des cellules "vivantes". Les auteurs entraînent l'automate par rétropropagation avec une loss sur une image cible et une stratégie de "pool" d'états pour favoriser l'émergence d'attracteurs stables capables de croître depuis une graine. En intégrant des états endommagés dans le pool d'entraînement, le modèle développe des capacités de régénération robustes, et la rotation du champ perceptif permet de produire des motifs tournés sans réentraînement. Le texte situe ce travail par rapport aux CA, PDE et réseaux neuronaux, et discute des applications en biologie du développement, bioingénierie, robotique en essaim et implémentations matérielles décentralisées.