Neural Cellular Automata (NCA)

ニューラルセルオートマトン（NCA）は、共有された学習済みの局所ルールを使って、セルのグリッドが繰り返し自ら更新する機械学習モデルです。各セルは数値情報を保持し、近傍のセルとのみ相互作用します。これらの小さな相互作用が組み合わさることで、複雑な画像、パターン、予測を生成できます。直感的には、セルが協調する方法を学習するという考え方です。望ましい全体的な振る舞いは、多数の局所更新から創発します。

ニューラルセルオートマトンの仕組み#

セルは計算単位であり、多くの場合、ピクセルまたはボクセル（ピクセルの3次元版）に相当します。セルの状態は、チャネルと呼ばれる数値のベクトルです。一部のチャネルは、色やセグメンテーションスコアなどの可視出力を表し、その他のチャネルは、協調を支える隠れた情報を保持します。

各ステップで、セルは近傍（一般的には3×3の領域）から情報を収集します。小規模なニューラルネットワークが、その情報を状態の更新値に変換します。各セルの状態や周囲の状況は異なりますが、すべてのセルが同じネットワーク重みを使用します。近傍の認識には局所的な変化を測定するフィルターを使用でき、学習済みネットワークがそれに対する応答を決定します。実装によっては、各ステップで更新するセルをランダムに選択し、同期更新への依存を減らします。

更新を繰り返すことで、情報は直近の近傍を越えて伝わります。セルはグリッド全体を直接確認できませんが、近隣のセルを通じて伝播した情報を受け取れます。この拡大する受容野は、局所的な計算がどのように協調した大規模な振る舞いを生み出すかを説明する手がかりになります。

NCAが成長と再生を学習する仕組み#

学習では、数ステップ後に望ましい結果を生成するよう、更新ルールを学習させます。初期状態として、1つのアクティブなシードセルや、隠れチャネルを追加した画像などを用います。モデルは一連の更新を実行し、損失関数が出力と目標との差を測定します。

誤差逆伝播によって、この一連の処理を通じて誤差情報が逆向きに伝わり、オプティマイザーが共有重みを調整できるようになります。これは時間方向の誤差逆伝播です。更新ルールを適用するたびに、学習計算の新たな段階が加わります。

目標への到達を学習しても、システムがその状態を維持できるとは限りません。成長するニューラルセルオートマトンでは、選択した時点で画像に一致するようにのみ学習したパターンは、その後劣化する可能性があります。学習中に過去に生成した状態を再利用すると、持続性を促せます。それらの状態の一部領域を消去すると、再生を学習できます。生き残ったセルが失われた部分を再構築するようになります。このように、自己修復は学習された振る舞いであり、その信頼性は学習条件に左右されます。

画像とコンピュータービジョンへの応用#

テクスチャ生成はNCAの具体的な用途です。ノイズから始めて、セルを進化させ、参照テクスチャに似たパターンを生成します。目的関数では、ピクセル単位の完全な複製を求めるのではなく、視覚的特徴の統計量を比較できます。これは、学習済みの画像特徴を使って外観を表現するニューラルスタイル変換と関連しています。

NCAは、実用的なプロシージャルグラフィックスのワークフローにも対応します。Houdiniのニューラルセルオートマトンツールは、タイル状に反復可能なパターンを生成し、局所的な回転、スケール、更新を調整する機能を備えています。これらの機能により、アーティストは画像やジオメトリ全体にわたる学習済みパターン生成プロセスを操作できます。

医用画像セグメンテーションでは、セルが画像情報と近隣の状態を使って、ピクセルまたはボクセル単位の予測を生成します。Med-NCAは、コンパクトな学習済み更新ネットワークを使ってこのアプローチを実証しています。この場合、出力は新たに生成された画像ではなく、解剖学的構造のマスクです。

セグメンテーション手法を評価する開発者にとって、Ultralytics YOLOは実用的な代替ワークフローを提供します。YOLO26はインスタンスセグメンテーションに対応し、個別のオブジェクトマスク、ラベル、信頼度スコアを出力します。YOLO26の学習および検証ワークフローは、NCAの実装と併せてマスク品質や実行時間を評価する際の参考になります。

関連概念と実用上の制約#

NCAは、局所的な遷移ルールを手動で指定する代わりに学習することで、従来のセルオートマトンを拡張します。また、同じ学習済み計算を繰り返し適用して永続状態を更新する点で、リカレントニューラルネットワークにも似ています。特徴的なのは、その状態が局所的に相互作用するセルに分散していることです。

更新ネットワークがコンパクトでも、高速な推論が保証されるわけではありません。離れたセルが協調するまでに多数の反復が必要になる場合があり、グリッドが大きくなるほど計算量も増加します。また、学習では連続する更新を通じて微分するために必要なメモリも考慮する必要があります。こうしたコストは、高解像度の出力で特に重要になります。

向きも実用上の懸念事項です。方向に依存する成長型NCAでは、確立されたパターンを回転させると、その後の進化が乱れることがあります。これは、セルのフィルターが水平方向と垂直方向を固定して解釈するためです。等方性NCAは、各セルの認識をグリッドの向きに依存させないことで、この問題に対処します。そのため、評価では単一フレームの品質だけでなく、進化の継続、損傷後の回復、変換に対する振る舞いも確認する必要があります。