HyperNEAT

Frågar CPPN för att bestämma anslutningsvikten mellan två neuroner som en funktion av deras position i rymden. Observera ibland att avståndet mellan dem också skickas som ett argument.

Hypercube-baserad NEAT , eller HyperNEAT , är en generativ kodning som utvecklar artificiella neurala nätverk (ANN) med principerna för den allmänt använda NeuroEvolution of Augmented Topologies (NEAT)-algoritmen utvecklad av Kenneth Stanley . Det är en ny teknik för att utveckla storskaliga neurala nätverk med hjälp av de geometriska regelbundenheterna i uppgiftsdomänen. Den använder Compositional Pattern Producing Networks ( CPPNs ), som används för att generera bilderna för Picbreeder.org Arkiverad 2011-07-25 på Wayback Machine och former för EndlessForms.com Archived 2018-11-14 at the Wayback Machine . HyperNEAT har nyligen utökats till att även utveckla plast-ANN och för att utveckla platsen för varje neuron i nätverket.

Ansökningar hittills

Multi-agent lärande
Checkers board utvärdering
Video om kontroll av benrobotar
Jämföra generativa vs. direkta kodningar
Undersöker utvecklingen av modulära neurala nätverk
Evolverande objekt som kan 3D-printas
Utveckling av den neurala geometrin och plasticiteten hos en ANN

externa länkar