Los autómatas celulares neuronales (NCA) son sistemas dinámicos bioinspirados en los que células idénticas aplican de forma iterativa una regla local aprendida para autoorganizarse en patrones complejos con capacidad de regeneración y robustez. Sin embargo, su uso práctico se había limitado a resoluciones bajas por tres obstáculos: el crecimiento cuadrático del coste de entrenamiento y de memoria con el tamaño de la cuadrícula, la propagación estrictamente local de la información —que dificulta la comunicación a larga distancia— y el alto coste de cómputo para inferencia en tiempo real a alta resolución. Un nuevo trabajo resuelve estas limitaciones combinando un NCA que evoluciona sobre una cuadrícula gruesa con un decodificador implícito ligero que asigna, para cada punto de muestreo, los atributos de apariencia a partir del estado de las células vecinas y de las coordenadas locales. Gracias a que tanto las actualizaciones del NCA como las del decodificador son locales, la inferencia se mantiene altamente paralelizable y permite renderizar resultados a resolución arbitraria en tiempo real. Para supervisar el aprendizaje a alta resolución de forma eficiente, los autores introducen pérdidas específicas para morfogénesis (crecimiento a partir de una semilla) y para síntesis de textura, con un sobrecoste mínimo de memoria y cómputo. Los experimentos se realizaron en cuadrículas 2D y 3D y sobre mallas, y muestran que los modelos híbridos producen salidas en alta resolución en tiempo real conservando el comportamiento autoorganizativo característico de los NCA. El trabajo incluye una visualización interactiva en la que se pueden explorar los estados celulares gruesos y la imagen generada por el decodificador.
Noticias agregadas con IA