神经细胞自动机吸引子图景的可视化

随着神经细胞自动机（NCA）越来越多地被应用于人工生命中的玩具模型之外，迫切需要理解它们的行为方式以及建立适当的路线来解释它们所学习的内容。凭借它们的本质，NCA 的训练收益与可解释性之间的平衡：我们可以工程化显现行为，但对已学习内容的理解能力有限。本文应用多种技术来撬开 NCA 黑盒，从中提取一些理解其所学习内容的线索。我们应用来自流形学习技术（主成分分析和稠密和稀疏自编码器）以及来自拓扑数据分析技术（持久同调）来捕获 NCA 的底层行为流形，效果各不相同。结果表明，当在宏观层面（即将整个 NCA 状态作为单个数据点）进行分析时，底层流形通常相当简单，可以很好地捕获和分析。当在微观层面（即将单个细胞的状态作为单个数据点）进行分析时，流形高度复杂，需要更复杂的技术才能充分理解。