Year: 2026
Type: other
Abstract: Ця робота адаптує фреймворк MorphoNAS для задачi класифiкацiї зображень шляхом еволюцiї нейронних мереж через симульований мор- фогенез та їхнього оцiнювання на наборi даних MNIST без використання градiєнтного навчання. Основне питання дослiдження полягає в тому, чи може кодування процесу розвитку, кероване еволюцiєю, знаходити мере- жi, здатнi класифiкувати зображення виключно завдяки своїй вирощенiй топологiї. Розроблений код органiзована у чотиришарову модульну архiтектуру (генотип, симуляцiя, оцiнювання, оркестрацiя), що вiдокремлює еволюцiй- ний пошук вiд процесу морфогенетичного росту. Iнтеграцiя з GPU-модулем морфогенезу на базi CuPy забезпечує одночасне моделювання всiєї попу- ляцiї на одному пристрої та скорочує час одного поколiння з хвилин до десяткiв секунд в залежностi вiд пристрою i початкових налаштувань. У задачi бiнарної класифiкацiї еволюцiйно отриманi мережi досяга- ють середньої найкращої точностi 99,35% за 30 незалежними запусками у шiстьох конфiгурацiях, а найкраща мережа сягає 99,90% точностi. На 10- класовому MNIST найкраща з еволюцiйних мереж досягає 34,2%, що у 3,4 раза перевищує випадкове вгадування та краще за найкращий результат серед мiльйона випадково згенерованих мереж (25,9%). Це пiдтверджує, що еволюцiя знаходить розвитковi програми, якi здатнi кодувати класифi- кацiйну здатнiсть безпосередньо в топологiю мережi.
Author: Shlapak, Danylo
Language: English
Subfield: Artificial Intelligence
Field: Computer Science
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W7202110044