生长神经细胞自动机中结构化涨落与自我维持的信息动力学

《Entropy》：Structured Fluctuations and the Information Dynamics of Self-Maintenance in Growing Neural Cellular Automata

　　

生长神经细胞自动机（Growing Neural Cellular Automata, GNCA）能够实现鲁棒的自我维持和自我修复，然而支持这些能力的内部动力学机制仍知之甚少。在本研究中，研究人员探究了已训练的GNCA模型中内部涨落（隐藏通道状态的时间微变异性）的作用，假设其构成动力学中的功能性组件，而非仅仅是残余的随机噪声。研究人员通过动力学系统分析（低维嵌入和集体状态轨迹的递归分析）和信息论分析（转移熵和部分信息分解）对训练模型进行了分析，包括其对局部损伤和抑制小幅值更新的响应。这些分析表明，内部涨落在空间上是有结构的，与吸引性集体状态动态耦合，并与分布式小幅值更新相关联，这些更新有助于损伤恢复。损伤在潜在状态空间中诱发全局性偏离，随后逐渐重新收敛，而抑制与基线涨落动力学相关的分布式小幅值更新——在包含大多数细胞的许可半径之外——显著损害恢复能力。转移熵分析表征了空间分化的修复响应：损伤部位附近的校正性内向流动与更远距离处的外向扰动传播共存。部分信息分解进一步揭示了从静息状态协同主导计算到恢复期间冗余增强协调的相变。这些发现表明，GNCA的自我维持和自我修复源于高维非线性集体动力学，其中内部涨落作为功能性组件，支持信息流、协调以及向吸引性循环状态的回归。

**论文解读：生长神经细胞自动机中结构化涨落与自我维持的信息动力学**

**1. 研究背景与动机**
生物体通过分散式细胞过程的持续协调，展现出显著的自我维持和自我修复能力。理解这种全局鲁棒性如何从局部交互中涌现，是发育生物学、复杂系统科学和人工生命领域的核心挑战。生长神经细胞自动机（GNCA）提供了一个可计算的研究框架，其通过在每个网格单元上应用统一的、学习得到的局部更新规则，能够实现形态发生、模式维持和扰动恢复，且无需集中控制。尽管GNCA并非生物组织修复的真实模型，但它与发育和再生系统共享若干组织约束，包括局部交互、分散控制、形态维持和扰动恢复，因此可作为实验可及的人造系统。然而，以往对NCA的研究主要关注涌现模式，支持这些模式的内部动力学结构在很大程度上尚未探索。多通道隐藏状态通常被视为不透明的计算基质，其内部时序动态——尤其是稳定形态达到后隐藏状态持续的微变异性（本文称为“涨落”）——常被当作计算噪声或随机更新调度的伪影而忽略。但在生物系统中，分子和细胞层面的涨落日益被视为支持信息处理、细胞决策和适应性协调的功能组件，而非纯粹噪声。例如，基因调控网络中的细胞间变异反映了底层动力学的多稳态吸引子结构，而Kaneko和Ikegami提出的“homeochaos”概念表明，弱高维混沌可以维持动态稳定性。这些先例促使研究人员假设：GNCA中的内部涨落可能扮演类似的功能角色，对自我维持和修复有贡献，而不仅仅是随机更新的副产品。验证这一假设需要两个互补视角：动力学系统视角（确定集体行为是否围绕吸引子或不变流形等低维结构组织）和信息论视角（量化维护和修复期间细胞间信息的路由、共享和转换）。尽管已有大量工作将转移熵和部分信息分解应用于经典细胞自动机，但罕有研究将这些方法应用于训练后的神经细胞自动机内部动力学。这留下了基本问题：系统处于何种集体动力学状态？自我修复期间信息如何在细胞间流动？多通道隐藏状态是作为独立特征、冗余副本还是协同计算基质组织？

**2. 研究内容与结论**
本论文对训练后的GNCA模型进行了全面的实证研究，聚焦于后发育阶段（即达到目标形态后的稳态自我维持和局部损伤恢复），结合动力学系统分析和信息论分解，回答三个相互关联的问题：（i）内部涨落的结构是什么，它们与集体动力学状态有何关系？（ii）系统如何在局部和全局尺度上响应局部损伤，涨落在恢复中扮演什么角色？（iii）在静息维护与主动修复期间，哪些信息论特征刻画了系统的计算模式？研究结果表明，内部涨落是学习动力学固有的、空间结构化的集体现象；系统表现出吸引性循环组织，损伤导致系统状态偏离随后返回该循环状态；与基线涨落动力学相关的分布式小幅值更新有助于恢复；修复触发空间分化的信息流模式，结合局部校正与全局广播；计算模式在恢复期间从协同主导（整合性、非线性输入组合）转变为冗余增强（重叠、容错信号传递）。这些发现表明，GNCA的自我维持和修复源于高维非线性集体动力学，其中内部涨落作为功能性组件，支持信息流、空间协调和恢复。论文将这一现象与生物系统中的功能性涨落（如基因调控网络中的噪声支持决策）、homeochaos概念、耦合映像格（CML）动力学以及吸引子理论联系起来，提出GNCA可作为研究集体稳态的易处理人工模型，其中鲁棒性源于持续活跃的“不稳定自我维持”而非静态平衡。

**3. 主要技术方法**
研究人员采用多种互补分析方法。动力学系统分析方面，使用UMAP（均匀流形逼近与投影）对系统级状态轨迹进行低维嵌入，可视化高维状态空间中的流形结构；使用递归图（RP）直接基于原始高维状态向量刻画轨迹的循环结构。信息论分析方面，使用转移熵（TE）构建空间矢量场，量化相邻细胞间的定向预测信息流；使用集成信息分解（ΦID）分析通道对之间的时间耦合，分解为冗余、独特和协同成分；使用部分信息分解（PID）将空间梯度特征和中心状态作为源、局部状态更新作为目标，分解空间计算中的信息结构。实验基于8个独立训练的GNCA模型（随机种子不同），目标形态为蜥蜴表情符号（像素128×128，实际活细胞约500个），训练采用样本池算法和再生训练方案（每批次部分样本施加圆形损伤掩膜）。损伤实验采用局部圆形区域置零（半径视实验变化），恢复质量通过预先损伤基线的余弦距离和损伤区域内RGB通道的均方误差（MSE）衡量。涨落抑制实验通过设置许可半径，在半径外阻断平均绝对值≤0.01的小幅值更新，观察对恢复的影响。

**4. 研究结果**
**（1）结构化涨落的表征**
通过计算每个细胞的时序均值和标准差，发现除训练不稳定的更新率UR=1.0外，不同更新率下数据点聚集，表明涨落是学习动力学固有的，而非随机更新调度的结果。原始状态时间序列显示，低波动细胞收敛到近常数值，高波动细胞表现出持续的结构化振荡，活动幅度相差约两个数量级。每细胞活动的互补累积分布函数（CCDF）在对数正态分布下拟合显著优于幂律分布（ΔAIC>10），表明活动涨落源于乘法过程而非无标度过程。损伤后CCDF曲线右移，表明大幅值波动增加，且在低更新率时最显著。时空相关性分析显示，空间自相关函数以指数衰减，相关长度随更新率增加而增加，且超过直接感知半径（1像素），表明学习动力学创造了超越最近邻交互的涌现空间耦合。时间自相关逐渐衰减至非零水平，高更新率下持久性更强，UR=1.0时出现振荡性自相关，指示确定性动力学中的周期成分。

**（2）涨落核的涌现**
平均内部状态图呈现强烈的通道特异性空间模式，而时间涨落集中在少数局部区域，且在所有16个通道中位置相似，称为“涨落核”。这些核很少出现在中央主体区域，而是倾向于在形态边界和突起附近出现，表明它们与形态几何耦合。损伤脆弱性分析显示，脆弱性与状态幅度（相关系数r=0.55）的相关性强于与时间涨落（r=0.20）的相关性，表明脆弱性的主要预测因子是内部状态幅度而非涨落幅度。涨落核与高脆弱区域重叠较弱，支持涨落核作为动态协调位点而非结构弱点的解释。

**（3）高维吸引状态上的集体动力学**
系统级状态轨迹（将每个活细胞的16通道平均为标量，拼接成高维向量）经UMAP嵌入后，在高更新率下展现出紧凑、结构化的路径，包括环状和折叠轨迹，表明稳态动力学围绕吸引状态组织。低更新率下轨迹弥散漂移，表明随机更新主导并破坏循环组织。递归图显示对角线段结构，指示原始状态空间中重复访问相似轨迹片段，证实循环组织并非UMAP嵌入的假象。周期性施加局部损伤时，每个损伤事件使系统状态跳到潜在空间的远程区域，随后逐渐返回原始吸引区域，恢复路径延伸数百步，支持自修复作为返回吸引循环状态的过程。

**（4）局部损伤与全局响应**
细胞级分析显示，损伤效应传播到远离损伤位置的细胞，且存在中间距离细胞偏差延迟出现，表明存在恢复相关的次生动态响应。单细胞UMAP轨迹也显示类似的偏离和返回模式，表明恢复动力学具有嵌套组织。涨落抑制实验表明，当许可半径小于14像素（覆盖约74%活细胞）时，恢复质量显著受损（Wilcoxon符号秩检验，p<0.05），而半径≥14时效果消失。这表明有效恢复依赖于整个生物体大部分区域的分布式小幅值更新，恢复是整体过程而非局部修复。

**（5）维护与修复的信息论特征**
转移熵分析显示，未损伤状态下，TE幅度升高的区域与涨落核重叠，TE矢量场主要从这些区域向外辐射，表明涨落核作为信息源向周围组织广播信息。损伤后，损伤点周围形成环形高TE区域，环内矢量指向损伤中心（内向修正流），环外方向反转（外向传播流）。余弦相似度量化显示，损伤边界附近出现内向流峰值，随后快速过渡为外向流，而未损伤状态显示均匀外向流。ΦID分析显示，静息状态下协同成分（sts）最大，独特信息约为协同的一半，冗余可忽略，表明16通道结合了整合与专门处理，避免冗余。损伤后所有ΦID成分增加，但支配结构保持，表明修复期间通道间耦合增强。空间PID分析显示，静息状态下协同占主导，表明每个细胞的更新源于空间特征的非线性整合；恢复期间冗余显著增加，而独特信息和协同下降，表明系统转向冗余增强的协调计算模式，可能提供容错性。

**5. 讨论与结论**
讨论部分将结构化涨落视为动力学和信息基础设施，与生物系统中的功能涨落和homeochaos概念相呼应；将集体动态稳态视为吸引状态的组织，与吸引子动力学理论和自适应框架联系；指出损伤响应中空间分化的信息结构，包括涨落核作为信息源、损伤近端作为修正汇、远端作为广播中继；提出“不稳定自我维持”概念，强调持续性活动对维持组织的必要性。研究结论指出，内部涨落并非残余噪声，而是结构化的、空间组织的功能组件，其抑制会损害损伤恢复；自修复对应于扰动后返回预先存在的循环状态；抑制覆盖约74%活细胞的分布式小幅值更新会显著损害恢复；转移熵揭示空间分化的信息流；计算模式从静息时的协同主导转变为恢复时的冗余增强。这些发现为神经细胞自动机中的自组织提供了动力学系统视角，并暗示吸引动力学、结构化涨落和信息模式转变可为理解分散计算系统中的鲁棒自修复提供一般框架。