ترجمه فارسی مقاله LifeGPT: مدل ترانسفورماتور از پیش آموزش دیده مولد توپولوژی-آگنوستیک برای اتوماتای ​​سلولی

چکیده

The Game of Life (Life), a well known algorithm within the broader class of cellular automata (CA), exhibits complex emergent dynamics, with extreme sensitivity to initial conditions. Modeling and predicting such intricate behavior without explicit knowledge of the system’s underlying topology presents a significant challenge, motivating the development of algorithms that can generalize across various grid configurations and boundary conditions. We develop a decoder-only generative pretrained transformer model to solve this problem, showing that our model can simulate Life on a toroidal grid with no prior knowledge on the size of the grid, or its periodic boundary conditions (LifeGPT). LifeGPT is topology-agnostic with respect to its training data and our results show that a GPT model is capable of capturing the deterministic rules of a Turing-complete system with near-perfect accuracy, given sufficiently diverse training data. We also introduce the idea of an `autoregressive autoregressor’ to recursively implement Life using LifeGPT. Our results pave the path towards true universal computation within a large language model (LLM) framework, synthesizing of mathematical analysis with natural language processing, and probing AI systems for situational awareness about the evolution of such algorithms without ever having to compute them. Similar GPTs could potentially solve inverse problems in multicellular self-assembly by extracting CA-compatible rulesets from real-world biological systems to create new predictive models, which would have significant consequences for the fields of bioinspired materials, tissue engineering, and architected materials design.

چکیده به فارسی (ترجمه ماشینی)

Game of Life (زندگی) ، یک الگوریتم شناخته شده در کلاس وسیع تر از اتومات های سلولی (CA) ، پویایی پیچیده ای را با حساسیت شدید نسبت به شرایط اولیه نشان می دهد.مدل سازی و پیش بینی چنین رفتارهای پیچیده و بدون آگاهی صریح از توپولوژی اساسی سیستم ، یک چالش مهم را نشان می دهد و انگیزه توسعه الگوریتم ها را ایجاد می کند که می تواند در تنظیمات مختلف شبکه و شرایط مرزی تعمیم یابد.ما برای حل این مشکل یک مدل ترانسفورماتور تولیدی از پیش تولیدی فقط رمزگشایی ایجاد می کنیم ، نشان می دهد که مدل ما می تواند زندگی را در یک شبکه توروئیدی و بدون دانش قبلی در مورد اندازه شبکه یا شرایط مرزی دوره ای آن (Lifegpt) شبیه سازی کند.LifeGPT با توجه به داده های آموزشی خود توپولوژی-آگنوستیک است و نتایج ما نشان می دهد که یک مدل GPT قادر به ضبط قوانین قطعی یک سیستم تورینگ کامل با دقت تقریباً کامل است ، با توجه به داده های آموزشی متنوع.ما همچنین ایده “خودروهای خودجوش” را برای اجرای مجدد زندگی با استفاده از LifeGPT معرفی می کنیم.نتایج ما مسیری را به سمت محاسبات جهانی واقعی در یک چارچوب الگوی بزرگ زبان (LLM) ، سنتز تجزیه و تحلیل ریاضی با پردازش زبان طبیعی ، و بررسی سیستم های AI برای آگاهی موقعیتی در مورد تکامل چنین الگوریتم ها بدون اینکه مجبور به محاسبه آنها باشد ، هموار می کند.GPT های مشابه به طور بالقوه می توانند با استخراج قوانین سازگار با CA از سیستم های بیولوژیکی در دنیای واقعی برای ایجاد مدلهای پیش بینی جدید ، مشکلات معکوس در خود مونتاژ چند سلولی را حل کنند ، که این امر می تواند عواقب قابل توجهی برای زمینه های مواد بیوئننده ، مهندسی بافت و طراحی مواد معماری داشته باشد.