TensorNEAT：一个用于神经进化（NeuroEvolution）的GPU加速库，可优化拓扑结构

《ACM Transactions on Evolutionary Learning and Optimization》：TensorNEAT: A GPU-accelerated Library for NeuroEvolution of Augmenting Topologies

TensorNEAT是基于JAX框架的GPU加速神经演化库，通过将NEAT算法中的网络拓扑和操作统一转化为张量，实现并行计算和效率提升。在Brax机器人控制环境中，相比传统NEAT-Python实现，其速度提升达500倍，并兼容CPPN、HyperNEAT等变体，支持Gym、Brax等基准平台。

　　

摘要

“增强拓扑结构的神经进化（NEAT）”算法在神经进化领域获得了广泛的认可。其有效性源于从简单网络开始，逐步演化网络的拓扑结构和权重。尽管该算法在应对各种挑战时表现出色，但其计算效率仍然是一个限制因素，影响了其可扩展性。为了解决这些问题，本文介绍了TensorNEAT——一个基于GPU加速的库，它将Tensor化技术应用于NEAT算法。通过Tensor化，NEAT的多样化网络拓扑结构和操作被重新表示为统一格式的张量，从而实现了在整个种群中的高效并行执行。TensorNEAT建立在JAX框架之上，利用自动函数向量和硬件加速技术显著提升了计算效率。除了NEAT之外，该库还支持CPPN和HyperNEAT等变体，并能与Gym、Brax和gymax等基准测试环境集成。在Brax中的多种机器人控制环境下的实验评估表明，与现有的实现方式（如NEAT-Python）相比，TensorNEAT的速度提升了高达500倍。TensorNEAT的源代码可在此处公开获取：https://github.com/EMI-Group/tensorneat。