Neural Cellular Automata (NCA)

Nöral hücresel otomatlar (NCA), hücrelerden oluşan bir ızgaranın ortaklaşa öğrenilmiş yerel bir kuralı kullanarak kendini tekrar tekrar güncellediği makine öğrenimi modelleridir. Her hücre sayısal bilgiler tutar ve yalnızca yakındaki hücrelerle etkileşir. Bu küçük etkileşimler bir araya gelerek karmaşık görüntüler, örüntüler veya tahminler üretebilir. Sezgisel fikir, hücrelere nasıl iş birliği yapacaklarını öğretmektir: İstenen genel davranış, çok sayıda yerel güncellemeden ortaya çıkar.

Nöral Hücresel Otomatlar Nasıl Çalışır#

Hücre, genellikle bir piksele veya voksellere karşılık gelen bir hesaplama birimidir; voksel, pikselin üç boyutlu eşdeğeridir. Hücrenin durumu, kanal adı verilen bir sayı vektörüdür. Bazı kanallar renk veya segmentasyon puanları gibi görünür çıktıları temsil eder; diğerleri ise koordinasyonu destekleyen gizli bilgileri taşır.

Her adımda hücre, genellikle 3×3'lük bir bölge olan komşuluğundan bilgi toplar. Küçük bir nöral ağ bu bilgiyi bir durum güncellemesine dönüştürür. Her hücre aynı ağ ağırlıklarını kullanır, ancak durumu ve çevresi farklıdır. Komşuluk algısı yerel değişimleri ölçen filtreler kullanabilirken, öğrenilmiş ağ nasıl tepki verileceğini belirler. Bazı uygulamalar, eşzamanlı güncellemelere bağımlılığı azaltmak için her adımda hangi hücrelerin güncelleneceğini rastgele seçer.

Tekrarlanan güncellemeler, bilginin doğrudan komşuluğun ötesine yayılmasını sağlar. Bir hücre ızgaranın tamamını doğrudan inceleyemez, ancak komşu hücreler aracılığıyla yayılan bilgiyi alabilir. Bu genişleyen alıcı alan, yerel hesaplamanın büyük ölçekli koordineli davranışı nasıl ürettiğini açıklamaya yardımcı olur.

NCA'lar Büyümeyi ve Yenilenmeyi Nasıl Öğrenir?#

Eğitim, güncelleme kuralına birkaç adımın ardından istenen sonucu üretmeyi öğretir. Süreç, tek bir etkin başlangıç hücresi veya ek gizli kanallar içeren bir görüntü gibi bir başlangıç durumuyla başlar. Model bir dizi güncelleme gerçekleştirir ve bir kayıp fonksiyonu çıktısıyla hedef arasındaki farkı ölçer.

Geri yayılım, hata bilgisini bu dizi boyunca geriye doğru aktararak bir iyileştiricinin ortak ağırlıkları ayarlamasını sağlar. Bu, zaman içinde geri yayılımdır: Güncelleme kuralının her uygulanışı, eğitim hesabında yeni bir aşama hâline gelir.

Bir hedefe ulaşmayı öğrenmek, sisteme bu hedefi korumayı kendiliğinden öğretmez. Büyüyen nöral hücresel otomatlarda, yalnızca belirli bir zamanda bir görüntüyle eşleşecek şekilde eğitilen örüntüler sonrasında bozulabilir. Eğitim sırasında daha önce üretilmiş durumları yeniden kullanmak, kalıcılığı teşvik eder. Bu durumlardaki bölgeleri silmek yenilenmeyi öğretir: Hayatta kalan hücreler eksik parçaları yeniden oluşturmayı öğrenir. Böylece kendi kendini onarma, güvenilirliği eğitim koşullarına bağlı olan öğrenilmiş bir davranış hâline gelir.

Görüntü ve Bilgisayarlı Görü Uygulamaları#

Doku oluşturma, NCA'nın somut bir kullanım alanıdır. Hücreler, gürültüden başlayarak bir referans dokuya benzeyen bir örüntüye dönüşür. Amaç, piksel piksel birebir kopya gerektirmek yerine görsel özellik istatistiklerini karşılaştırabilir. Bu yaklaşım, görünümü temsil etmek için öğrenilmiş görüntü özelliklerini kullanan nöral stil aktarımı ile bağlantılıdır.

NCA, uygulamalı prosedürel grafik iş akışlarını da destekler. Houdini'nin nöral hücresel otomat araçları, döşenebilir örüntüler oluşturur ve yerel döndürme, ölçeklendirme ve güncelleme denetimleri sunar. Bu denetimler, sanatçıların öğrenilmiş örüntü oluşturma sürecini bir görüntü veya geometri boyunca yönlendirmesini sağlar.

Tıbbi görüntü segmentasyonunda hücreler, piksel veya voksel düzeyinde tahminler geliştirmek için görüntü bilgisini ve komşu hücrelerin durumlarını kullanır. Med-NCA, kompakt, öğrenilmiş güncelleme ağlarıyla bu yaklaşımı gösterir. Buradaki çıktı, yeni oluşturulmuş bir görüntü değil, anatomik bir maskedir.

Segmentasyon yaklaşımlarını değerlendiren geliştiriciler için Ultralytics YOLO, uygulamaya dönük alternatif bir iş akışı sunar. YOLO26, ayrı nesne maskeleri, etiketler ve güven puanları üreten örnek segmentasyonunu destekler. Eğitim ve doğrulama iş akışı, NCA uygulamasının yanı sıra maske kalitesini ve çalışma süresini değerlendirmek için bir referans sunar.

İlgili Kavramlar ve Uygulamaya Dönük Sınırlamalar#

NCA, yerel geçiş kuralını elle belirlemek yerine öğrenerek klasik hücresel otomatları genişletir. Ayrıca tekrarlayan nöral ağlara benzerler: Aynı öğrenilmiş hesaplama, kalıcı bir durumu tekrar tekrar günceller. Onları ayırt eden özellik, bu durumun yerel olarak etkileşen hücrelere dağıtılmış olmasıdır.

Kompakt bir güncelleme ağı, hızlı çıkarımı garanti etmez. Uzak hücrelerin koordinasyon sağlaması için çok sayıda yineleme gerekebilir ve daha büyük ızgaralar hesaplama yükünü artırır. Eğitim sırasında ardışık güncellemeler boyunca türev hesaplamak için gereken bellek de hesaba katılmalıdır. Bu maliyetler, yüksek çözünürlüklü çıktılarda özellikle önem kazanır.

Yönelim, uygulamada dikkate alınması gereken başka bir konudur. Yöne duyarlı büyüyen NCA'da yerleşmiş bir örüntüyü döndürmek, hücrelerin filtreleri yatay ve dikey yönleri sabit olarak yorumlamaya devam ettiği için örüntünün sonraki gelişimini bozabilir. İzotropik NCA, her hücrenin algısını ızgara yöneliminden bağımsız hâle getirerek bu sorunu ele alır. Bu nedenle değerlendirme, yalnızca tek bir çıktı karesinin kalitesini değil, gelişimin sürmesini, hasar sonrası toparlanmayı ve dönüşümler altındaki davranışı da incelemelidir.