摘要
每个像素类似于一个生物细胞，自主决定颜色并与邻近细胞通信。整个细胞群体的目标是就它们组成的全局形状达成一致。
使用方法
点击或触摸画布与细胞交互。按下不同数字加载或重新采样，按下垃圾桶清除画布。
速度与调色板
- 速度：1/10倍（3步/秒）
- 笔刷大小：2像素
- 调色板：0度
模型
本文使用《生长的神经细胞自动机》中描述的模型变体。关键差异包括：
- 目标标签：将最后10个通道作为伪分布处理，选择最高值通道对应的标签。
- 活细胞与状态：根据输入像素值（>0.1）判定细胞活性，仅活细胞参与计算。像素值作为不可变通道暴露给细胞。
- 感知：使用可训练的3x3卷积核替代固定Sobel滤波器。
实验1：自分类、持久性与突变
训练过程中随机替换数字，迫使细胞适应新形状。使用像素级交叉熵损失，细胞需从突变中恢复分类能力。结果显示多数细胞能正确分类，但部分细胞出现振荡现象。
实验2：稳定分类
引入L2损失和残差更新噪声（标准差2×10⁻²）以改善稳定性。相比交叉熵，L2+噪声模型在200步后总一致率达88%，内部状态幅度更稳定。
鲁棒性
- 交互适应性：CA能实时重新分类用户修改的数字（如6改为8）。
- 分布外泛化：对非MNIST手写数字表现部分容错，但对某些变体（如特定1和9的写法）分类失败。
- 尺度不变性：对一定范围内的缩放数字保持分类能力。
- 嵌合体行为：3-5嵌合体中3占主导，8-9嵌合体形成振荡吸引子。
讨论
- 生物学启示：细胞集体通过局部通信实现全局形态识别，为再生医学提供新思路。
- 计算意义：展示了小规模（<25k参数）自组织模型在分类任务中的潜力。
- 未来方向：探索更大模型和多样化数据集对性能的影响。
实现细节
- 交互演示：基于TensorFlow.js构建，支持实时重分类。
- Colab笔记本提供完整实验复现和模型配置选项。
致谢
感谢Zhitao Gong等人在模型设计和文稿修订中的贡献。