Neurální buněčný automat a de-evoluce

Abstract

Táto diplomová práca sa zaoberá aplikáciou Neurálnych Celulárnych Automatov (NCA) na modelovanie zložitých biologických procesov, konkrétne starnutia a deevolúcie. Hlavným zameraním je simulácia vytvárania, udržiavania a degradácie vzorov pomocou NCA s mechanizmami inšpirovanými biológickými procesmi. Práca predstavuje a porovnáva dve NCA architektúry: štandardný SimpleModel a nový TelomereModel navrhnutý tak, aby napodobňoval bunkové starnutie prostredníctvom degradujúceho sa stavového kanálna, ktorý je analógiou správania telomérov a zároveň je spojený s logikou regenerácie. Práca popisuje vývoj týchto modelov a ich špecializované tréningové postupy, najmä techniku pridávania šumu v závislosti od starnutia pre TelomereModel. Podrobne popisuje experimentálne nastavenie použité na vyhodnotenie a porovnanie modelov za rôznych podmienok, vrátane scenárov bez poškodenia, pretrvávajúceho globálneho poškodenia a lokálneho poškodenia. Vyhodnotenie sa zameriava na efektívnosť každej architektúry pri udržiavaní integrity vzoru a zotavovaní sa z porúch, meranú metrikami ako SSIM, PSNR a MSE. V závere sú diskutované výsledky vyhodnotenia, pričom SimpleModel vyniká v stabilných podmienkach a TelomereModel vykazuje vynikajúcu odolnosť a zotavenie pri strese.

This Master's thesis explores the application of Neural Cellular Automata (NCAs) for modeling complex biological processes, specifically aging and de-evolution. Its primary focus is simulating pattern generation, maintenance, and degradation using NCAs with biology inspired mechanisms. The work introduces and compares two NCA architectures: a standard SimpleModel and a novel TelomereModel designed to mimic cellular aging via a decaying state channel analogous to telomeres, coupled with regeneration logic. The thesis describes the development of these models and their specialized training procedures, particularly the age-dependent noise injection technique for the TelomereModel. It details the experimental setup used to evaluate and compare the models under varying conditions, including no damage, persistent global damage, and local damage scenarios. The evaluation focuses on the effectiveness of each architecture in maintaining pattern integrity and recovering from perturbations, measured by metrics like SSIM, PSNR, and MSE. The evaluation results are discussed at the end, with SimpleModel excelling in stable conditions and TelomereModel showing excellent resilience and recovery under stress.