Vylepšení neurálních celulárních automatů se zapojením známé fyzikální dynamiky

Abstract

Tato práce představuje nový Neurální celulární automat se zapojením známé fyzikální dynamiky (PINCA), který spojuje neurální celulární automaty s integrací fyzikální dynamiky. Cílem modelu PINCA je naučit se diferenciální operátory přes učící konvoluční filtry a odhalit řídící rovnice daného procesu i z velmi malých datasetů. Funkce modelu je demonstrována na procesu vývoje vzorů na srsti leoparda, kde byla odhalena unikátní řídící reakčně-difuzní rovnice. Práce se dále zabývá buněčnou specializací skrze zkoumání chování skrytých kanálů modelu Growing neural cellular automata. Hlavním obsahem této práce je podrobná rešerše literatury a vývoj modelu PINCA. Práce spojující umělou inteligenci a fyziku nabízí nové nástroje pro modelování a chápání komplexních systémů.

This thesis presents the Physically Informed Neural Cellular Automaton (PINCA) model, a novel approach combining Neural Cellular Automata with the integration of physical dynamics. PINCA seeks to uncover governing equations from minimal datasets by learning differential operators through convolutional filters. A case study involving leopard coat patterns demonstrates the model's efficacy in deriving a unique reaction-diffusion system. Additionally, an exploration into the hidden states of Growing Neural Cellular Automata aims to shed light on cell specialization phenomena. The thesis comprises a literature review and the development and application of the PINCA model. This work bridges artificial intelligence and physics, offering new tools for modeling and understanding complex systems.