自组织系统中多样模式的内在动机发现

在许多人工或自然的复杂动力系统中，可以观察到由局部规则涌现出的模式自组织现象。元胞自动机，如生命游戏（GOL），已被广泛用作能够研究自组织与形态发生各方面（例如空间局部化模式的涌现）的抽象模型。然而，迄今为止在此类模型中发现自组织模式依赖于手动调参和初始状态，以及依靠人眼识别有趣模式。本文中，我们将此类高维复杂动力系统中多样自组织模式的自动发现问题公式化，并给出一个实验与评估框架。以连续 GOL 作为测试平台，我们表明最近的内在动机机器学习算法（POP-IMGEPs）——最初为机器人学逆模型学习而开发——可被移植并用于这一新颖应用领域。这些算法结合了内在动机目标探索与目标空间表示的无监督学习。目标空间表示描述了应发现其多样变体的模式的感兴趣特征。特别地，我们从发现多样空间局部化模式的角度比较了定义和学习目标空间表示的各种方法。此外，我们引入了最先进 POP-IMGEP 算法的扩展，其使用深度自编码器增量学习目标表示，以及使用 CPPN 基元生成初始化参数。我们表明其比若干基线更高效，且与在由人类专家识别的模式手工数据库上预训练的系统效率相当。