⚡️ الکساندر موردوینتسِف، پژوهشگر گوگل، سیستم‌های دیجیتالی بر پایه اتوما‌تا سلولی ساخته است؛ جایی که هر سلول فقط با همسایه‌هایش تعامل دارد.

🧩 این Neural Cellular Automata قادرند:

✅خودبه‌خود به شکل‌های مشخص مونتاژ شوند.
✅بعد از تخریب، دوباره بازسازی شوند.


🔹 الهام از «بازی زندگی» (Game of Life):
در نسخه کلاسیک، قوانین از قبل مشخص می‌شوند و ما فقط نتیجه را تماشا می‌کنیم.
اما اینجا برعکس است: ابتدا هدف (شکل) تعیین می‌شود، سپس قوانین به‌گونه‌ای آموزش داده می‌شوند که سلول‌ها خودشان به آن شکل برسند.

⚙️ تغییرات کلیدی:

1. حالات پیوسته – سلول فقط روشن/خاموش نیست، می‌تواند نیمه‌فعال باشد.
2. متغیرهای پنهان – هر سلول حافظه یا «حالت درونی» دارد.
3. به‌روزرسانی ناهمگام – سلول‌ها هم‌زمان تغییر نمی‌کنند، مثل زندگی واقعی.



💡 کاربردها:

پزشکی 🏥: مدل‌سازی بافت‌های خودترمیم‌شونده.

رباتیک 🤖: ازدحام ربات‌ها که بدون کنترل مرکزی ساختار بسازند.

مواد هوشمند 🧱: آجرها یا قطعاتی که خود را با محیط وفق دهند.

محاسبات جدید 💻: معماری‌های توزیع‌شده و کم‌مصرف.


🔬 محدودیت‌ها:

♻️فعلاً در حد تصاویر و شکل‌هاست، نه موجودات زنده‌ی پیچیده.
♻️نیاز به آموزش خاص برای بازسازی پس از آسیب دارد.
♻️انتقال این ایده به سلول‌های واقعی یا ربات‌ها ساده نیست.


📌 اهمیت:
این مدل‌ها نشان می‌دهند که محاسبه و زندگی دو روی یک سکه‌اند.
در حالی‌که طبیعت بدون هدف تکامل می‌یابد، اتوما‌تا برای یک مأموریت آموزش داده می‌شوند.

🟢 متن کامل در Quanta Magazine:
https://www.quantamagazine.org/self-assembly-gets-automated-in-reverse-of-game-of-life-20250910/

@rss_ai_ir

#هوش_مصنوعی #یادگیری_ماشین #زیست_شناسی #شبکه_عصبی #تکاملی #رباتیک #محاسبات_آینده


@rss_ai_ir

✨ جدیدترین نسخه Reve واقعاً جذاب شده!

⛔️این بار داخل چت یک MLLM (مدل چندوجهی زبان + تصویر) فعال است. وقتی از او خواستم «یک پاندا را آبی کن»، نه تنها ۴ نسخه متفاوت تولید کرد، بلکه در خود چت توضیح داد دقیقاً چه تغییراتی داده:

✅در یکی فقط خز پاندا آبی شد 🐼🔵
✅در دیگری حتی رنگ چشم‌ها را هم تغییر داد 👀
✅در سوم پا را فراتر گذاشت و کل چمن را هم آبی کرد 🌱🔵


نتیجه؟
🔹 نسخه‌ی اول خیلی نزدیک به تصویر اصلی بود.
🔹 نسخه‌ی دوم کمی فرم صورت را تغییر داد.
🔹 نسخه‌ی سوم یک فضای کاملاً سوررئال ساخت!

✳️این یعنی Reve نه تنها تصویرسازی می‌کند، بلکه مثل یک طراح توضیح هم می‌دهد که چرا و چطور این تغییرات را اعمال کرده — ترکیبی از دقت و خلاقیت.
@rss_ai_ir

#هوش_مصنوعی #MLLM #تصویرسازی #خلاقیت #Reve

⚡️ فتورئالیسم در مدل‌های دیفیوژن در کمتر از ۱۰ دقیقه؟

✳️تیم Hunyuan روش جدیدی به نام SRPO (Semantic Relative Preference Optimization) معرفی کرده که نشان می‌دهد این کار ممکن است.

🔹 فریم ورکSRPO یک فریم‌ورک آنلاین برای یادگیری تقویتی در مدل‌های متن-به-تصویر است؛ جایگزینی کارآمدتر نسبت به GRPO که تولید را پایدارتر، سریع‌تر و ارزان‌تر می‌کند.

📌 چطور کار می‌کند؟

Direct-Align →
بهینه‌سازی حتی روی پر‌نویزترین مراحل، بدون خطا و با مصرف کمتر حافظه.

Promptable Rewards →
تبدیل پاداش‌ها به سیگنال‌های شرطی. کافیست کلمات کلیدی به پرامپت اضافه کنید تا مدل بلافاصله واقع‌گرایی را تقویت کند.

بهره‌وری → ۷۵ برابر افزایش سرعت؛ نتایج تنها در ۱۰ دقیقه روی ۳۲ GPU (بهتر از DanceGRPO).

کیفیت → افزایش رئالیسم و زیبایی تصاویر در مدل FLUX.1-dev بدون نیاز به داده‌ی جدید.

پایداری → بدون reward hacking، سازگار با مدل‌های پاداش آماده و بدون oversaturation تصاویر.


🔗 منابع بیشتر:
🟢 پروژه
🟢 مقاله
🟢 مدل
🟢 کد

#هوش_مصنوعی #یادگیری_تقویتی #مدل_دیفیوژن #متن_به_تصویر #SRPO #AI #DiffusionModels