High-Res Neural Cellular Automata: Mô hình AI tạo hình tự tổ hợp độ phân giải cao

Neural Cellular Automata (NCAs) là các hệ thống động học mô phỏng sinh học, trong đó các tế bào giống hệt nhau lặp đi lặp lại áp dụng một quy tắc cập nhật cục bộ đã được học để tự tổ chức thành các mẫu phức tạp. Hệ thống này thể hiện khả năng phục hồi, độ bền và động lực tự phát, rất giống với các sinh vật thực thụ. Mặc dù thành công trong việc tổng hợp kết cấu (texture synthesis) và hình thái học, NCAs trước đây vẫn bị giới hạn ở các đầu ra độ phân giải thấp do những hạn chế về tính toán và bộ nhớ.

Giờ đây, một giải pháp đột phá đã được đưa ra cho phép NCAs tạo ra các mẫu ở độ phân giải HD trong thời gian thực, được kích hoạt bằng cách biến mỗi tế bào CA thành một Neural Field.

Minh họa luồng dữ liệu trong mô hình

Vượt qua giới hạn của độ phân giải thấp

Trước đây, ba yếu tố chính khiến NCAs khó vận hành ở độ phân giải cao: thời gian đào tạo và yêu cầu bộ nhớ tăng theo cấp số nhân với kích thước lưới, sự lan truyền thông tin cục bộ ngăn cản giao tiếp tầm xa giữa các tế bào, và nhu cầu tính toán quá lớn cho suy luận thời gian thực.

Để giải quyết vấn đề này, các nhà nghiên cứu đã kết hợp một NCA hoạt động trên một lưới thô (coarse grid) với một bộ giải mã ngầm (implicit decoder) nhẹ nhàng. Bộ giải mã này có nhiệm vụ ánh xạ trạng thái tế bào và tọa độ cục bộ thành các thuộc tính ngoại hình. Điều này cho phép cùng một mô hình có thể kết xuất (render) đầu ra ở độ phân giải tùy ý mà không cần đào tạo lại toàn bộ hệ thống trên lưới độ phân giải cao.

Cơ chế hoạt động: LPPN và NCA hybrid

Công nghệ mới sử dụng một mạng lưới gọi là Local Pattern Producing Network (LPPN) - một MLP (Multi-Layer Perceptron) chia sẻ nhẹ nhàng. LPPN nhận đầu vào là trạng thái trung bình của tế bào xung quanh một điểm mẫu và tọa độ cục bộ của điểm đó, từ đó xuất ra các thuộc tính đích như màu sắc và pháp tuyến bề mặt.

Quá trình này hoạt động song song hóa cao, đảm bảo hiệu suất thời gian thực. Để giám sát quá trình này, các nhà nghiên cứu đã áp dụng các hàm mất mát (loss) cụ thể theo nhiệm vụ cho hình thái học (tăng trưởng từ hạt giống) và tổng hợp kết cấu, giúp tối ưu hóa việc sử dụng bộ nhớ và sức mạnh tính toán.

Mẫu sinh trưởng từ hạt giống với độ chi tiết cao

Khả năng và Ứng dụng thực tế

Các thử nghiệm trên lưới 2D, 3D và miền lưới đã chứng minh rằng các mô hình lai này có khả năng tạo ra đầu ra độ phân giải cao trong thời gian thực mà vẫn giữ nguyên hành vi tự tổ hợp đặc trưng của NCAs. Người dùng có thể trải nghiệm các tính năng thú vị thông qua các bản demo tương tác:

• Tăng trưởng từ hạt giống: Quan sát một mẫu hình thành từ điểm ban đầu và thử "gây thương tích" cho nó; mẫu sẽ tự động chữa lành.
• Tổng hợp kết cấu PBR: Tạo ra các kết xuất vật lý chân thực có khả năng tái sinh lại nếu bị mất mát dữ liệu.
• Kết cấu 3D: Tạo ra các hiệu ứng như đám mây với độ chi tiết cao.

Sự phát triển này mở ra cánh cửa mới cho việc tạo ra nội dung số sinh động, có khả năng tự thích nghi và phục hồi, áp dụng từ đồ họa máy tính, thiết kế trò chơi cho đến các mô phỏng khoa học.