Neural Cellular Automata (NCA)

Automata tế bào thần kinh (NCA) là các model machine learning, trong đó một lưới tế bào liên tục tự cập nhật bằng cách sử dụng một quy tắc cục bộ đã học được dùng chung. Mỗi tế bào lưu trữ thông tin dạng số và chỉ tương tác với các tế bào lân cận. Kết hợp lại, những tương tác nhỏ này có thể tạo ra hình ảnh, mẫu hình hoặc dự đoán phức tạp. Ý tưởng trực quan là dạy các tế bào cách phối hợp: hành vi tổng thể mong muốn xuất hiện từ nhiều lần cập nhật cục bộ.

Cách Automata tế bào thần kinh hoạt động#

Một tế bào là một đơn vị tính toán, thường tương ứng với một pixel hoặc voxel—phiên bản ba chiều của pixel. Trạng thái của tế bào là một vector gồm các số, được gọi là các kênh. Một số kênh biểu thị đầu ra hiển thị, chẳng hạn như màu sắc hoặc điểm phân đoạn; các kênh khác chứa thông tin ẩn hỗ trợ việc phối hợp.

Trong mỗi bước, một tế bào thu thập thông tin từ vùng lân cận, thường là khu vực 3×3. Một mạng nơ-ron nhỏ chuyển đổi thông tin đó thành bản cập nhật trạng thái. Mọi tế bào đều sử dụng cùng trọng số mạng, dù trạng thái và môi trường xung quanh mỗi tế bào khác nhau. Việc cảm nhận vùng lân cận có thể sử dụng các bộ lọc đo lường thay đổi cục bộ, trong khi mạng đã học xác định cách phản hồi. Một số cách triển khai chọn ngẫu nhiên các tế bào được cập nhật ở mỗi bước, giảm sự phụ thuộc vào việc cập nhật đồng bộ.

Việc cập nhật lặp lại cho phép thông tin truyền đi xa hơn vùng lân cận trực tiếp. Một tế bào không thể trực tiếp kiểm tra toàn bộ lưới, nhưng có thể nhận thông tin được truyền qua các tế bào lân cận. Trường tiếp nhận mở rộng này giúp giải thích cách tính toán cục bộ tạo ra hành vi phối hợp trên quy mô lớn.

Cách NCA học phát triển và tái tạo#

Quá trình huấn luyện dạy quy tắc cập nhật tạo ra kết quả mong muốn sau một số bước. Quá trình bắt đầu từ trạng thái ban đầu, chẳng hạn như một tế bào hạt giống đang hoạt động hoặc một hình ảnh có thêm các kênh ẩn. Model chạy qua một chuỗi cập nhật, và một hàm loss đo mức chênh lệch giữa đầu ra của model và mục tiêu.

Lan truyền ngược truyền thông tin lỗi ngược qua chuỗi này, cho phép optimizer điều chỉnh các trọng số dùng chung. Đây là lan truyền ngược theo thời gian: mỗi lần áp dụng quy tắc cập nhật trở thành một giai đoạn khác trong phép tính huấn luyện.

Học cách đạt được mục tiêu không tự động dạy hệ thống duy trì mục tiêu đó. Trong automata tế bào thần kinh phát triển, các mẫu chỉ được huấn luyện để khớp với hình ảnh tại một thời điểm đã chọn có thể suy giảm sau đó. Việc tái sử dụng các trạng thái đã tạo trong quá trình huấn luyện khuyến khích tính duy trì. Xóa các vùng của những trạng thái đó sẽ dạy khả năng tái tạo: các tế bào còn lại học cách tái tạo những phần bị thiếu. Nhờ đó, tự phục hồi trở thành một hành vi đã học, với độ tin cậy phụ thuộc vào điều kiện huấn luyện.

Ứng dụng trong hình ảnh và thị giác máy tính#

Tạo kết cấu là một ứng dụng cụ thể của NCA. Bắt đầu từ nhiễu, các tế bào phát triển thành một mẫu giống với kết cấu tham chiếu. Hàm mục tiêu có thể so sánh thống kê đặc trưng thị giác thay vì yêu cầu sao chép chính xác từng pixel. Điều này kết nối NCA với chuyển đổi phong cách thần kinh, phương pháp sử dụng các đặc trưng ảnh đã học để biểu diễn diện mạo.

NCA cũng hỗ trợ các quy trình đồ họa tạo sinh thực tiễn. Các công cụ automata tế bào thần kinh của Houdini tạo ra các mẫu có thể ghép liền mạch và cung cấp các tùy chọn điều khiển xoay, tỷ lệ và cập nhật cục bộ. Những tùy chọn này cho phép nghệ sĩ định hướng quy trình tạo mẫu đã học trên toàn bộ hình ảnh hoặc hình học.

Trong phân đoạn ảnh y tế, các tế bào sử dụng thông tin hình ảnh và trạng thái lân cận để tạo ra dự đoán ở cấp pixel hoặc voxel. Med-NCA minh họa phương pháp này bằng các mạng cập nhật đã học gọn nhẹ. Ở đây, đầu ra là mặt nạ giải phẫu thay vì một hình ảnh mới được tạo ra.

Đối với các nhà phát triển đánh giá các phương pháp phân đoạn, Ultralytics YOLO cung cấp một quy trình thay thế thực tiễn. YOLO26 hỗ trợ phân đoạn đối tượng, tạo ra các mặt nạ, nhãn và điểm tin cậy riêng cho từng đối tượng. Quy trình huấn luyện và validation của YOLO26 cung cấp cơ sở tham chiếu để đánh giá chất lượng mặt nạ và thời gian chạy song song với một triển khai NCA.

Các khái niệm liên quan và hạn chế thực tiễn#

NCA mở rộng automata tế bào cổ điển bằng cách học quy tắc chuyển trạng thái cục bộ thay vì xác định quy tắc đó theo cách thủ công. NCA cũng có điểm tương đồng với mạng nơ-ron hồi quy: cùng một phép tính đã học liên tục cập nhật một trạng thái được duy trì. Đặc điểm riêng biệt của NCA là trạng thái này được phân bố trên các tế bào tương tác cục bộ.

Mạng cập nhật gọn nhẹ không đảm bảo suy luận nhanh. Có thể cần nhiều vòng lặp trước khi các tế bào ở xa phối hợp được với nhau, và lưới lớn hơn làm tăng khối lượng tính toán. Quá trình huấn luyện cũng phải tính đến bộ nhớ cần thiết để tính đạo hàm qua các lần cập nhật liên tiếp. Các chi phí này đặc biệt quan trọng đối với đầu ra độ phân giải cao.

Định hướng cũng là một vấn đề thực tiễn khác. Trong NCA phát triển nhạy theo hướng, việc xoay một mẫu đã hình thành có thể làm gián đoạn quá trình phát triển tiếp theo vì các bộ lọc của tế bào vẫn diễn giải theo các hướng ngang và dọc cố định. NCA đẳng hướng giải quyết vấn đề này bằng cách khiến khả năng cảm nhận của mỗi tế bào không phụ thuộc vào hướng của lưới. Vì vậy, việc đánh giá cần xem xét quá trình phát triển tiếp diễn, khả năng phục hồi sau hư hại và hành vi khi biến đổi—chứ không chỉ chất lượng của một khung hình đầu ra duy nhất.