神经粒子自动机：学习自组织粒子动力学

神经粒子自动机（NPA）通过将传统神经细胞自动机（NCA）的固定网格替换为动态的基于粒子的感知系统，使粒子能够学习自组织行为。利用受平滑粒子流体动力学（SPH）启发的核函数，NPA 使粒子能够在连续空间中感知并与邻居交互，从而在不受格子约束的情况下产生复杂的模式和形态。

基于 SPH 核函数的局部感知

NPA 实现了一种感知系统，每个粒子拥有连续的位置和内部状态。粒子不再从固定格点邻居读取信息，而是从特定支撑半径内的邻近粒子聚合信息。该聚合使用平滑核函数进行，使粒子能够在不规则和动态的配置上工作，同时保持系统的局部性。

关键的测量包括：

• Density: 邻域的标量汇总。
• Smoothed State: 邻近粒子的核平均 RGB 状态。
• Density Gradient: 表示粒子密度增加方向（“拥挤”侧）的向量。
• Moment Matrix: 描述邻居偏移和核梯度方向如何覆盖局部空间的几何汇总。

梯度估计与几何校正

为了了解内部状态在空间中的变化，NPA 使用状态梯度估计器。0 阶估计器计算状态值的差异，对于恒定状态场保持准确，但在粒子不规则放置且采样不均匀时可能产生偏差。

为了解决这种局部几何失真，NPA 使用矩矩阵进行 1 阶校正。通过将 0 阶估计乘以矩矩阵的逆，系统对局部几何进行归一化，使梯度估计在局部线性场中精确（前提是邻域条件良好）。这确保感知到的状态梯度基于场的真实变化，而非粒子分布的伪影。

社区洞见与潜在应用

项目的开发者和用户之间的讨论突出了若干潜在应用以及与生物系统的理论关联：

"从外观上看，它非常类似于 Michael Levin 在活细胞之间电信号交流中发现的现象。在那里，生物体的细胞也能够构建并修复其更大尺度的形态。"

除了生物模仿之外，社区成员还提出了以下对 NPA 框架的潜在扩展：

• 纹理合成：使用以网格排列的粒子或在粒子之间插值来重建纹理，尤其在低对比度区域。
• 3D 点云：将 NPA 方法应用于 3D 点云实验，类似于高斯点绘。
• 细胞分裂：实现粒子分裂机制，模拟生物细胞的生长。
• 对称性与稳定性：用户观察到模式可能被破坏到无法重新形成的程度，这提示了对自组织模式稳定性的进一步研究方向。