Neural Particle Automata: Learning Self-Organizing Particle Dynamics

Neural Particle Automata (NPA) 透過將固定的基於網格的感知替換為平滑核聚合系統，使具有連續位置和內部狀態的粒子能夠學習自我組織行為。這種方法保留了 Neural Cellular Automata (NCA) 的局部性，同時使粒子能夠在不規則且動態的配置中運行，而非固定晶格。

SPH-Based Perception for Dynamic Configurations

Neural Particle Automata 利用 Smoothed Particle Hydrodynamics (SPH) 感知來聚合支撐半徑內附近粒子的資訊。與基於網格的 NCA 中從固定鄰居讀取的卷積感知不同，NPA 粒子使用平滑核來估計局部環境屬性。

這些局部總和估計了以下量值：

• Density: 鄰域的純量摘要。
• Smoothed State: 核平均後的內部狀態（在提供的 demo 中表示為 RGB 顏色）。
• Density Gradient: 指示粒子密度增加方向的向量。
• Moment Matrix: 粒子周圍鄰居局部幾何結構的摘要，用於修正幾何失真。
• State Gradients: 內部狀態在鄰域內如何變化的 0 階與 1 階估計值。

State-Gradient Estimation and Geometric Correction

為了估計內部狀態在中心粒子周圍如何變化，NPA 採用了兩個層級的梯度估計：

0th-Order Estimators

0 階估計器使用狀態值的簡單差異。雖然這些提供了基本的估計，但當粒子放置不規則或場變量呈線性變化時，它們可能會產生偏差。

1st-Order Correction via Moment Matrix

為了對局部線性場實現精確的梯度估計，NPA 使用涉及矩陣 (moment matrix) 的 1 階修正。矩陣摘要了鄰居偏移量和核梯度方向如何覆蓋周圍空間。透過將 0 階估計值乘以矩陣的逆矩陣，系統可以歸一化局部幾何失真，確保即使在採樣不均勻的情況下，梯度估計仍保持準確。

Community Insights and Potential Applications

與該專案互動的使用者強調了幾種潛在的擴展與生物系統的理論平行之處：

• Biological Morphogenesis: 一位觀察者指出 NPA 與 Michael Levin 關於生物細胞間電訊號傳遞的研究相似，在該研究中，細胞結構化並修復更大規模的形態。
• Scaling and Generative Tasks: 應用建議包括紋理合成，其中粒子可以排列在網格中或進行插值，以利用數據中的低對比度區域。
• Structural Stability: 使用者觀察到模式可以被破壞到無法重新形成的程度，這暗示了所學習的自我組織模式的穩定性極限。
• Future Capabilities: 社群討論的潛在擴展包括在粒子系統中實現細胞分裂。