智能AI
morning
人工实验主义者：通过自学习强化学习发现和控制自组织现象
摘要
arXiv:2608.26116v1 Announce Type: new Abstract: Existing methods for exploring cellular automata and other complex systems mostly operate in open loop: they set initial conditions, execute a full simu...
and
the
that
complex
CARL
solitons
agents
for
cellular
systems
2026-08-28
1 阅读
约1分钟阅读
Marko Cvjetko, Benedikt Hartl, Michael Levin, Cl\'ement Moulin-Frier, Pierre-Yves Oudeyer
字号:
arXiv:2608.26116v1 公告类型：新 摘要：用于探索元胞自动机和其他复杂系统的现有方法大多在开环中运行：它们设置初始条件，执行完整的模拟，并观察结果，而无需在执行过程中进行干预。我们引入了一种基于自动强化学习的闭环框架，其中代理自主采样不同的目标并学习目标条件策略，以通过最小的局部扰动干预复杂的系统。我们在 Lenia（一种以逼真的自组织模式而闻名的连续元胞自动机）上实例化了这个框架，在我们称为 CARL 的代理系统中，并演示了三种功能。首先，CARL 在各种 Lenia 更新规则中以比启发式基线更高的速率发现稳定孤子。其次，它学会了在很少干预的情况下引导现有孤子的运动方向，这表明 CARL 可以控制自组织模式，而不仅仅是创建它们。第三，人类可以使用训练有素的智能体通过指定智能体将其转化为低级干预的高级定向命令来实时引导孤子穿过迷宫环境。经过不同目标、更新规则和随机初始状态的训练，代理获得将零样本推广到各种分布外条件的策略。这些结果表明了一条通往人工实验代理的道路，该代理可以自主或在人类指导下发现和控制复杂系统中的新兴现象。
这篇文章对您有帮助吗？
订阅66必读
每日精选科技资讯，直达你的邮箱