فهم محركات الابتكار: الإبداع التلقائي وتحسين التهيئة العشوائية عبر التعلم العميق

العقبة الرئيسية لخوارزميات التهيئة العشوائية هي الوقوع في المحاور المحلية. تساعد عملية البحث عن الجدة في تخفيف هذه المشكلة من خلال تشجيع الاستكشاف في جميع الاتجاهات المثيرة للاهتمام عن طريق استبدال الهدف الأدائي بمكافأة للسلوكيات الجديدة. هذه المكافأة للسلوكيات الجديدة تتطلب تقليديًا وظيفة مسافة سلوكية مصنوعة بيد البشر. رغم أن البحث عن الجدة يعد إنجازًا مفاهيميًا كبيرًا ويتفوق على التهيئة العشوائية التقليدية في بعض المشكلات، إلا أنه من غير الواضح كيفية تطبيقه على المشكلات المعقدة وعالية الأبعاد حيث يكون تحديد وظيفة المسافة السلوكية المفيدة أمرًا صعبًا. على سبيل المثال، في مجال الصور، كيف يمكنك تشجيع الجدة لإنتاج الصقور والأبطال بدلاً من تثبيت بكسل لا نهائي؟ هنا نقترح خوارزمية جديدة، محرك الابتكار، التي تعتمد على البحث عن الجدة من خلال استبدال المسافة السلوكية المصنوعة بيد البشر بشبكة عصبية عميقة (DNN) يمكنها التعرف على الفروقات المثيرة للاهتمام بين الأنماط الظاهرية. البصيرة الرئيسية هي أن الشبكات العصبية العميقة يمكن أن تتعرف على التشابهات والاختلافات بين الأنماط الظاهرية على مستوى مجازي، حيث تعني الجدة جدة مثيرة للاهتمام. على سبيل المثال، فإن البحث عن الجدة القائم على الشبكة العصبية العميقة في مجال الصور لا يستكشف في مساحة البكسل على المستوى المنخفض، بل بدلاً من ذلك يخلق ضغطًا لإنشاء أنواع جديدة من الصور (مثل الكنائس والمساجد والأوبليسك، وما إلى ذلك). هنا، نصف الرؤية طويلة المدى لخوارزمية محرك الابتكار، التي تتضمن العديد من التحديات الفنية التي لا تزال بحاجة إلى الحل. ثم نقوم بتنفيذ نسخة مبسطة من الخوارزمية التي تمكننا من استكشاف بعض الدوافع الرئيسية للخوارزمية. تشير نتائجنا الأولية، في مجال الصور، إلى أن محركات الابتكار يمكن أن تؤتمت في النهاية إنتاج تدفقات لا نهاية لها من الحلول المثيرة للاهتمام في أي مجال: على سبيل المثال، إنتاج برامج ذكية، وحدات تحكم روبوتات، مكونات مادية محسنة، وفن.