SlideServe
Télécharger Obtenir Pro
Menu
Accueil Pro
Préférences
ApparenceLight Aide et commentaires
© SlideServe · v2026

Creating Artificial Life Using RNNs and Hebbian Learning

agalia avatar
agalia
8 diapositives · 230 Views · Sep 16, 2014

This project explores artificial life generation through recurrent neural networks (RNNs) and Hebbian learning. By deriving RNNs from genomes, organisms are created with a 360-degree visual system. The encoding methods, including graph grammar and cellular encoding, facilitate the generation of adjacency matrices that represent neural network structures. The organisms navigate a wrap-around grid world where they can see and consume food, utilizing their RNN to determine actions. While foundational concepts are implemented, several aspects and extensions of the model remain to be developed.

Creating Artificial Life Using RNNs and Hebbian Learning - slide 1
01 / 8Creating Artificial Life Using RNNs and Hebbian Learning
1 / 17

Télécharger la présentation

Creating Artificial Life Using RNNs and Hebbian Learning
Une image / un lien ci-dessous est fourni (tel quel) pour télécharger la présentation

Politique de téléchargement : le contenu du site vous est fourni TEL QUEL pour votre information et votre usage personnel ; il ne peut être vendu, concédé sous licence ni partagé sur d’autres sites sans l’accord de son auteur.Le contenu vous est fourni TEL QUEL, pour votre information et votre usage personnel uniquement. Téléchargez la présentation en cliquant sur ce lien. Lors du téléchargement, si vous ne parvenez pas à télécharger une présentation, l’éditeur a peut-être supprimé le fichier de son serveur.Pendant le téléchargement, si vous ne parvenez pas à obtenir une présentation, le fichier a peut-être été supprimé par l’éditeur.

F I N

Plus de contenu associé

Transcription de la présentation

  1. Artificial Life Using Recurrent Neural Networks and Hebbian Learning Michael Tauraso CS 152

  2. Organisms • Behavior decided by a Recurrent Neural Network (RNN) • RNN derived from a genome • Organisms have a 360 degree visual system

  3. Gene Encoding • Direct Encoding (boring) • Graph Grammar (interesting) • Cellular Encoding (Interesting) • Functional Block Problem

  4. Graph Grammar • Goal is to generate an adjacency matrix • Each non-terminal generates a 2x2 matrix • Each 2x2 matrix contains either numbers or other non-terminals. • The start symbol is used to build up an adjacency matrix

  5. Cellular Encoding • Fundamental unit of genome is a transformation. • Transformations act on a particular neuron • A sequence of transformations defines a neural network. • This preserves functional blocks better

  6. Grid World • World is a wrap-around grid • Each grid can have 1 organism • Each grid can have food on it for the organisms to eat • Organisms have a 360 degree visual system • Organisms use an RNN to decide on their actions

  7. Learning Method • Recurrent networks • Hebbian Learning • Clamping Outputs

  8. Results? • Grid World difficult to implement • Two Interesting encodings remain unimplemented • Interesting extensions to the world model remain unimplemented