01 研究の背景と問題意識：「1個の受精卵」はどうやって自分の全体像を知り、傷を治すのか？

多細胞生物のすべての細胞は全く同じゲノム（遺伝暗号）を持っています。それにもかかわらず、たった1個の受精卵から分裂を繰り返す中で、「自分は目の細胞になる」「自分は尻尾の先端になる」と周囲の細胞とシグナルをやり取りしながら複雑な3次元形態を構築します（形態形成：Morphogenesis）。さらにイモリやプラナリア（扁形動物）は、手足や体の半分を切断されても、残った細胞群が欠損箇所を検知して元の完全な形へと自己再生（Regeneration）します。

従来のセルオートマトン研究では、「単純な局所ルールを与えてどんなパターンが出るかを見る（順問題）」ことはできても、「望みの複雑なターゲット形態へと成長し、かつ傷ついても自己修復するような局所ルール（ゲノム）を逆算して見つける（逆問題）」ことは極めて困難でした。Google ResearchのMordvintsevらと発生生物学者マイケル・レヴィンは、セルオートマトンの局所更新関数を小さな畳み込みニューラルネットワーク（約8,000パラメータ）に置き換え、時間方向の誤差逆伝播法（BPTT）で直接学習させる Growing Neural Cellular Automata (NCA) を発表しました。

02 核心となるアーキテクチャと数理モデル

1. 16チャネルの細胞状態ベクトルと局所知覚

グリッド上の各セル $(x, y)$ は、16次元の連続状態ベクトル $\mathbf{s}_{x,y} \in \mathbb{R}^{16}$ を持ちます。

  • チャネル 0〜2 (RGB): 目に見える細胞の色（赤・緑・青）。
  • チャネル 3 ($\alpha$ / Alive Mask): 細胞の生死・成熟度を表すアルファ値。$\alpha > 0.1$ のセルが「成熟した生きた細胞」、その隣接セルが「成長中の細胞」とみなされます。
  • チャネル 4〜15 (Hidden Channels): 細胞膜電位やモルフォゲン（化学シグナル分子）濃度、遺伝子発現状態に相当する12次元の隠れ通信チャネル。
1. 局所勾配知覚 (Perception Step: $3 \times 3$ Sobel Filters):
   $\mathbf{z}_{x,y} = \text{Concat}\big(\mathbf{s}_{x,y}, \, K_{\text{Sobel-X}} * \mathbf{s}_{x,y}, \, K_{\text{Sobel-Y}} * \mathbf{s}_{x,y}\big) \in \mathbb{R}^{48}$

2. 全細胞共有の微小MLP更新則 ($1 \times 1$ Convolutions, ~8,000 params):
   $\Delta \mathbf{s}_{x,y} = W_2 \, \text{ReLU}(W_1 \mathbf{z}_{x,y} + \mathbf{b}_1)$

3. 非同期確率的更新 (Stochastic Cell Update Mask $m_{x,y} \sim \text{Bernoulli}(0.5)$):
   $\mathbf{s}_{x,y}^{t+1} = \text{AliveMask}\big( \mathbf{s}_{x,y}^t + m_{x,y} \cdot \Delta \mathbf{s}_{x,y} \big)$

ここで極めて重要な設計が「確率的更新マスク $m_{x,y}$」です。グローバルな同期クロックに依存しないよう、各ステップでランダムに選ばれた50%のセルだけを更新させることで、実際の生物細胞のように非同期かつノイズに対して頑健な自己組織化を強制しています。

03 主要な発見：アトラクタとしての形態と驚異の「プラナリア再生」

  • 単一シードからの成長だけでは「爆発・崩壊」する（Experiment 1）: 1個のシードから64ステップ後にターゲット画像（トカゲ等）と一致するように学習させただけでは、64ステップを過ぎた後も成長が止まらず、腫瘍のように形が崩壊してしまいました。
  • サンプルプール法（Pool Sampling）によるアトラクタ安定化（Experiment 2）: 学習中に過去の生成結果をプールに保存し、それを次の学習バッチの初期状態として再利用することで、ターゲット形態を力学系の「安定なアトラクタ（引力圏）」にすることに成功しました。
  • 損傷に対する自律的再生（Experiment 3: Regeneration）: プール内の個体にランダムな矩形・円形の欠損（スライス）を与えてから回復させる訓練を行うと、完成したトカゲの頭や胴体を半分消しゴムで削り取っても、残った細胞群が隠れチャネルのモルフォゲン勾配を通じて「何が失われたか」を局所通信だけで合意形成し、数ステップで元のトカゲの形を完璧に再生しました。さらには、損傷訓練を一切行っていないモデルであっても、ある程度の自己修復能力が副産物として自然に創発していることが判明しました。
Distill誌の原著論文（distill.pub/2020/growing-ca/）では、ブラウザ上で実際に成長した絵文字の細胞を指で削り取り、リアルタイムに再生していく様子をインタラクティブに操作できます。

04 人工生命・分散AI・発生生物学への歴史的意義

  1. 「Self-Organising Systems」研究群の誕生: 本論文を皮切りに、3DボクセルでMinecraft構造物を成長・修復させる 3D Neural CA、テクスチャを無限生成する Texture NCA、さらには自分の体の一部が欠けても目標物を認識できる分散視覚分類器 Self-Classifying MNIST など、中央集権なき分散型ニューラルネットワークの潮流が生まれました。
  2. 発生生物学とAIの双方向フィードバック: 共著者のマイケル・レヴィンが強調するように、NCAは「DNAが持つのは完成品の青写真（座標データ）ではなく、局所的な相互作用から特定の形態アトラクタへ収束させるアルゴリズム（重み）である」という発生生物学の理論を計算機上で完全に実証しました。

05 原典・関連文献リンク

← 前のマイルストーン (2019) Lenia: Biology of Artificial Life 次のマイルストーン (2020/2023) → Xenobots & Anthrobots (Biobots)