Neural Cellular Automata (NCA)

Los autómatas celulares neuronales (NCA) son modelos de aprendizaje automático en los que una cuadrícula de células se actualiza repetidamente mediante una regla local compartida y aprendida. Cada célula almacena información numérica e interactúa únicamente con las células cercanas. En conjunto, estas pequeñas interacciones pueden producir imágenes, patrones o predicciones complejos. La idea intuitiva consiste en enseñar a las células a cooperar: el comportamiento global deseado surge de muchas actualizaciones locales.

Cómo funcionan los autómatas celulares neuronales#

Una célula es una unidad computacional que suele corresponder a un píxel o un vóxel, el equivalente tridimensional de un píxel. Su estado es un vector de números denominado canales. Algunos canales representan resultados visibles, como el color o las puntuaciones de segmentación; otros contienen información oculta que facilita la coordinación.

En cada paso, una célula recopila información de su vecindario, normalmente una región de 3×3. Una pequeña red neuronal convierte esa información en una actualización del estado. Todas las células utilizan los mismos pesos de la red, aunque sus estados y entornos sean distintos. La percepción del vecindario puede utilizar filtros que miden los cambios locales, mientras que la red aprendida determina cómo responder. Algunas implementaciones seleccionan aleatoriamente qué células se actualizan en cada paso, lo que reduce la dependencia de las actualizaciones sincronizadas.

Las actualizaciones repetidas permiten que la información se propague más allá del vecindario inmediato. Una célula no puede inspeccionar directamente toda la cuadrícula, pero puede recibir información propagada a través de las células vecinas. Este campo receptivo en expansión ayuda a explicar cómo la computación local produce un comportamiento coordinado a gran escala.

Cómo aprenden los NCA a crecer y regenerarse#

El entrenamiento enseña a la regla de actualización a producir el resultado deseado tras varios pasos. El proceso parte de un estado inicial, como una única célula semilla activa o una imagen con canales ocultos adicionales. El modelo ejecuta una secuencia de actualizaciones y una función de pérdida mide la diferencia entre el resultado y el objetivo.

La retropropagación transmite la información del error hacia atrás a través de esta secuencia, lo que permite que un optimizador ajuste los pesos compartidos. Se trata de retropropagación a través del tiempo: cada aplicación de la regla de actualización se convierte en otra etapa del cálculo del entrenamiento.

Aprender a alcanzar un objetivo no enseña automáticamente al sistema a mantenerlo. En los autómatas celulares neuronales de crecimiento, los patrones entrenados únicamente para coincidir con una imagen en un momento determinado pueden deteriorarse después. Reutilizar durante el entrenamiento estados generados previamente favorece la persistencia. Borrar regiones de esos estados enseña al sistema a regenerarse: las células supervivientes aprenden a reconstruir las partes que faltan. Así, la autorreparación es un comportamiento aprendido cuya fiabilidad depende de las condiciones de entrenamiento.

Aplicaciones en imágenes y visión artificial#

La generación de texturas es una aplicación concreta de los NCA. A partir del ruido, las células evolucionan hasta formar un patrón parecido a una textura de referencia. El objetivo puede comparar estadísticas de características visuales, en lugar de exigir una copia exacta píxel a píxel. Esto relaciona los NCA con la transferencia de estilo neuronal, que utiliza características de imagen aprendidas para representar la apariencia.

Los NCA también permiten flujos de trabajo prácticos de gráficos procedimentales. Las herramientas de autómatas celulares neuronales de Houdini generan patrones repetibles en mosaico y ofrecen controles para la rotación local, la escala y la actualización. Estos controles permiten a los artistas dirigir un proceso aprendido de generación de patrones en una imagen o geometría.

En la segmentación de imágenes médicas, las células utilizan información de la imagen y estados vecinos para desarrollar predicciones a nivel de píxel o vóxel. Med-NCA demuestra este enfoque con redes compactas de actualización aprendidas. En este caso, el resultado es una máscara anatómica, no una imagen recién generada.

Para los desarrolladores que evalúan enfoques de segmentación, Ultralytics YOLO ofrece un flujo de trabajo alternativo y práctico. YOLO26 admite la segmentación de instancias, que genera máscaras de objetos independientes, etiquetas y puntuaciones de confianza. Su flujo de trabajo de entrenamiento y validación ofrece una referencia para evaluar la calidad de las máscaras y el tiempo de ejecución junto con una implementación de NCA.

Conceptos relacionados y limitaciones prácticas#

Los NCA amplían los autómatas celulares clásicos al aprender la regla de transición local en lugar de especificarla manualmente. También se parecen a las redes neuronales recurrentes: el mismo cálculo aprendido actualiza repetidamente un estado persistente. Su característica distintiva es que este estado se distribuye entre células que interactúan localmente.

Una red de actualización compacta no garantiza una inferencia rápida. Pueden necesitarse muchas iteraciones antes de que las células distantes se coordinen, y las cuadrículas más grandes aumentan el coste computacional. El entrenamiento también debe tener en cuenta la memoria necesaria para calcular los gradientes a través de las actualizaciones sucesivas. Estos costes cobran especial importancia con resultados de alta resolución.

La orientación es otra cuestión práctica. En los NCA de crecimiento sensibles a la dirección, rotar un patrón ya establecido puede alterar su evolución posterior, porque los filtros de las células siguen interpretando direcciones horizontales y verticales fijas. Los NCA isotrópicos abordan este problema haciendo que la percepción de cada célula sea independiente de la orientación de la cuadrícula. Por tanto, la evaluación debe examinar la evolución continuada, la recuperación tras sufrir daños y el comportamiento ante transformaciones, no solo la calidad de un único fotograma de salida.