Neural Particle Automata (NPA) es un nuevo modelo de aprendizaje profundo que generaliza los Neural Cellular Automata (NCA) desde retículas fijas hacia sistemas de partículas en movimiento continuo. Mientras los NCA clásicos trabajan sobre píxeles o vóxeles estáticos, NPA representa cada célula como una partícula con posición continua y un estado interno, ambos actualizados por una regla neuronal compartida y aprendible. Esta formulación permite identificar claramente cada célula, admitir dinámicas heterogéneas y concentrar el cómputo allí donde hay actividad.
El modelo resuelve dos retos propios de los sistemas de partículas: la naturaleza dinámica de los vecindarios y el coste cuadrático de las interacciones locales. Para ello sustituye la percepción basada en retícula por operadores de hidrodinámica de partículas suavizadas (SPH) diferenciables, apoyados en kernels CUDA eficientes en memoria que permiten entrenar de extremo a extremo a escala. En tareas de morfogénesis, clasificación de nubes de puntos y síntesis de texturas basada en partículas, NPA conserva propiedades clave de los NCA, como robustez y regeneración, y añade comportamientos nuevos propios de los sistemas de partículas.
NPA se presenta como un modelo compacto para aprender sistemas de partículas autoorganizativos, con aplicaciones potenciales en simulación física, gráficos por computador, modelado de materiales y aprendizaje geométrico. Frente a alternativas como simulaciones basadas en mallas o modelos de difusión sobre nubes de puntos, NPA ofrece un equilibrio entre expresividad y eficiencia computacional al focalizar el cálculo en zonas activas.