通过细胞自动机，AI在「我的世界」学会了盖房子

本文经AI新媒体量子位（公众号ID:QbitAI）授权转载，转载请联系出处。

了解游戏「我的世界（MineCraft）」的读者，一定很熟悉这样的画面。 

△图源：Science Magazine

但是，如果盖房子的不是人，而是AI呢？

这是来自哥本哈根信息技术大学、约克大学和上海大学的学者，利用3D神经元细胞自动机（NCA）完成的新研究。

不仅能生成静态结构，当然不仅是公寓，树木、城堡也可以：

还能生成功能性机器，比如爬行的毛毛虫：

把它一切两段，还会玩再生术，成功分身……

这是怎么做到的？

神经元细胞自动机的应用

研究者其实是受到「生命游戏」中元胞自动机（CA) 的启发，在2D基础上开发了3D神经元细胞自动机（NCA）。

「生命游戏」就是基于元胞自动机的原理制作的，也可以说是元胞自动机的一个展示。

它是由英国数学家约翰·康威在1970年发明的。在网格中，每个方格居住着一个细胞，其状态由其周围的8个细胞决定，以黑色代表细胞存活。

之后，许多研究采用了更为复杂的神经网络规则，被称为神经元细胞自动机（NCA）。但是其应用大多局限于2D结构，或是只能生成简单的3D结构。

为了提高NCA在实际应用中的通用性，研究团队开发了3D NCA。

它利用3D卷积捕捉周围更多的细胞，以生成复杂的3D结构，并且具有更多类型的建造单元。

研究人员试图利用NCA从单个活细胞生成目标实体，利用监督学习对重建损失进行优化。

并且，将「我的世界」中的实体作为3D网格中的细胞，其状态向量包含：块类型、存活状态、隐藏状态。

但是，由于每个单元是单一的块类型，于是他们将结构重建任务视为一个多类分类问题，预测给定单元的类型。

利用Pytorch提供的LogSoftmax和NLLLoss方法组合，以实现是在目标与预测的细胞结构之间，最小的交叉熵损失。

这种损失导致性能不稳定**，并且模型展现出对“空气”块的偏好。

在训练中，“空气”块通常占据了所选结构的大部分，因此，训练数据不平衡可能会导致模型过度预测。

为解决这一问题，研究人员根据是否归类为“空气 ”块，将损失计算划分为两部分，并且增加了一个交叉重叠（IOU）成本，测量非“空气”块与实体之间的绝对差，以此提升精度。

效果如何？

针对模型在静态结构和动态功能机器的重构性能，研究人员进行了评估，并记录了各项参数。

结果显示，NCA的重构能力具有鲁棒性：

不过，NCA对于构建较大的实体（比如：教堂）仍具有挑战性，因为模型经常陷入局部极小值，需要更长的时间来训练。

尽管大教堂模型比一些实体的损失更低，但有许多随机生成的结构，因此没有其他实体自然。目标结构与生成效果的对比：

此外，在生成自然界中更随机的实体（比如：橡树）时，也更加困难。

正如前文提到的，NCA能生成静态结构，并且可以很好地增加单个块类型的数量，生成多样化和复杂的内饰，比如公寓楼内部：

令人意外的是，在丛林神庙中，NCA甚至生成了一个箭陷阱。

在生成功能性机器时，研究人员发现，不同结构的生成模式也不同：

一些结构是从小细胞渐渐扩大到最终形态；而毛毛虫则是先快速生成，然后再淘汰细胞形成最终的结构。

此外，NCA的再生特性也是一大亮点，除了从单个细胞中生长出复杂的结构外，这些局部更新规则还允许再生或修复损伤。

即使未经训练，它仍然能恢复某些受损的结构，比如树：

不过，研究人员在对比测试后发现：

在未经过再生训练时，模型的再生率仅有30%；而进行再生训练后，生成率能达到99%。

3D NCA引起了网友的广泛关注，reddit上还有网友提到：

NCA在物理学上的应用也值得探索，比如：它可以用来模拟晶体形成。