DOI
10.34229/KCA2522-9664.26.2.3
УДК 004.032.26
М.М. ГЛИБОВЕЦЬ
Національний університет «Києво-Могилянська академія», Київ, Україна,
glib@ukma.edu.ua
С.О. МЕДВІДЬ
Національний університет «Києво-Могилянська академія», Київ, Україна,
s.medvid@ukma.edu.ua
ПІДХІД MorphoNAS: ЕМБРІОГЕННИЙ ПОШУК НЕЙРОННИХ
АРХІТЕКТУР ЧЕРЕЗ МОРФОГЕН-КЕРОВАНИЙ РОЗВИТОК
Анотація. Запропоновано новий підхід MorphoNAS для детермінованого вирощування нейронних мереж через морфоген-керовану самоорганізацію на основі принципу вільної енергії, реакційно-дифузійних систем та генних регуляторних мереж. Досліджено модель розвитку, в якій компактні геноми кодують лише динаміку морфогенів та порогові правила клітинного розвитку, що забезпечує трансформацію єдиної клітини-попередника у складні нейронні архітектури. Досягнуто повного успіху (100 %) еволюційного пошуку геномів, що генерують задані конфігурації графів із 8–31 вершинами. Отримано мінімальні функціональні контролери (6–7 нейронів) для задачі CartPole у разі застосування тиску на мінімізацію розміру мережі з успішністю пошуку 94 %. Продемонстровано, що біологічно правдоподібні правила розвитку можуть слугувати ефективним механізмом автоматизованого пошуку нейронних архітектур.
Ключові слова: MorphoNAS, морфогенез, пошук нейронних архітектур, реакційно-дифузійні системи, генетичні регуляторні мережі, еволюційні алгоритми.
повний текст
СПИСОК ЛІТЕРАТУРИ
- 1. Zador A.M. A critique of pure learning and what artificial neural networks can learn from animal brains. Nature Communication. 2019. Vol. 10. Article number 3770. https://doi.org/10.1038/S41467-019-11786-6.
- 2. Friston K.J. Learning and inference in the brain. Neural Networks. 2003. Vol. 16, Iss. 9. P. 1325–1352. https://doi.org/10.1016/J.NEUNET.2003.06.005.
- 3. Turing A.M. The chemical basis of morphogenesis. Bulletin of Mathematical Biology. 1990. Vol. 52, Iss. 1–2. P. 153–197. https://doi.org/10.1016/S0092-8240(05)80008-4.
- 4. Thomas R. Boolean formalization of genetic control circuits. Journal of Theoretical Biology. 1973. Vol. 42, Iss. 3. P. 563–585. https://doi.org/10.1016/0022-5193(73)90247-6.
- 5. Polynikis A., Hogan S.J., di Bernardo M. Comparing different ODE modelling approaches for gene regulatory networks. Journal of Theoretical Biology. 2009. Vol 261, Iss. 4. P. 511–530. https://doi.org/10.1016/J.JTBI.2009.07.040.
- 6. Friston K.J., Levin M., Sengupta B., Pezzulo G. Knowing one’s place: A free-energy approach to pattern regulation. Journal of The Royal Society Interface. 2015. Vol. 12, Iss. 105. Article number 20141383. https://doi.org/10.1098/RSIF.2014.1383.
- 7. Friston K., Kilner J., Harrison L. A free energy principle for the brain. Journal of Physiology — Paris. 2006. Vol. 100, Iss. 1–3. P. 70–87. https://doi.org/10.1016/J.JPHYSPARIS.2006.10.001.
- 8. Babai L. Graph isomorphism in quasipolynomial time. Proc. Forty-Eighth Annual ACM Symposium on Theory of Computing (STOC’16) (19–21 June 2016, Cambridge MA, USA). Cambridge, USA. P.&nbso;684–697. https://doi.org/10.1145/2897518.2897542.
- 9. Edelman G.M., Gally J.A. Degeneracy and complexity in biological systems. Proceedings of the National Academy of Sciences. 2001. Vol. 98, N 24. P. 13763–13768. https://doi.org/10.1073/pnas.231499798.
- 10. Masel J., Trotter M.V. Robustness and evolvability. Trends Genet. 2010. Vol. 26, Iss. 9. P. 406–414. https://doi.org/10.1016/j.tig.2010.06.002.
- 11. De Jong K.A. An analysis of the behavior of a class of genetic adaptive systems: Ph.D. dissertation. Ann Arbor, Michigan, USA, 1975. 512 p. URL: https://search.proquest.com/openview/5bbdd6eb198f9e7d02353e994b3591c2/1?pq-origsite=gscholar&cbl=18750&diss=y.
- 12. Goldberg D.E., Deb K. A comparative analysis of selection schemes used in genetic algorithms. Foundations of Genetic Algorithms. 1991. Vol. 1. P. 69–93. https://doi.org/10.1016/B978-0-08-050684-5.50008-2.
- 13. ErdP., RБnyi A. On random graphs I. Publicationes mathematicae (Debrecen). 1959. Vol. 6. P. 290–297. https://doi.org/10.5486/PMD.1959.6.3-4.12.
- 14. Najarro E., Sudhakaran S., Risi S. Towards self-assembling artificial neural networks through neural developmental programs. arXiv:2307.08197v1 [cs.NE] 17 Jul 2023. https://doi.org/10.48550/arXiv.2307.08197.
- 15. Towers M., Kwiatkowski A., Terry J. et al. Gymnasium: A standard interface for reinforcement learning environments. arXiv:2407.17032v4 [cs.LG] 2 Nov 2025. https://doi.org/10.48550/arXiv.2407.17032.
- 16. Oller D., Glasmachers T., Cuccu G. Analyzing reinforcement learning benchmarks with random weight guessing. 19th International Conference on Autonomous Agents and Multiagent Systems (AAMAS 2020) (9–13 May 2020, Auckland, New Zealand, online event). Auckland, 2020. P. 975–982.
