مقاله یادگیری داربست‌های رشدی برای هدایت خودسازماندهی

بسیاری از سیستم‌های طبیعی، از ساختارهای زیرسلولی گرفته تا موجودات کامل، از طریق خودسازماندهی، سازماندهی پیچیده‌ای را ایجاد می‌کنند: تعاملات محلی که بدون هیچ طرح اولیه‌ای از نتیجه، به طور جمعی ساختار جهانی را به وجود می‌آورند. با این حال، بخش قابل توجهی از اطلاعاتی که این فرآیندها را هدایت می‌کند، توسط خود فرآیند خودسازماندهی تولید نمی‌شود، بلکه اغلب به شرایط اولیه سیستم منتقل می‌شود. رشد بیولوژیکی نمونه بارزی است که در آن الگوهای اولیه مادری، اطلاعات موقعیتی و شکست تقارن را کدگذاری می‌کنند که فرآیند خودسازماندهی را پشتیبانی می‌کند. از شیب‌های مورفوژن مادری در مراحل اولیه جنین‌زایی گرفته تا الگوهای اولیه مورفوژنتیک در سطح بافت که شکل‌گیری اندام‌ها را هدایت می‌کنند، این انتقال اطلاعات به شرایط اولیه، مشابه مبادله حافظه-محاسبه در سیستم‌های محاسباتی، بخش اساسی فرآیندهای رشدی است. در این پژوهش، ما این پدیده انتقال اطلاعات را با معرفی مدلی که هم قوانین خودسازماندهی و هم الگوهای اولیه را به طور مشترک یاد می‌گیرد، مطالعه می‌کنیم. این مدل امکان تغییر و اندازه‌گیری تعامل بین این دو را تحت شرایط کنترل‌شده فراهم می‌آورد: یک اتوماتون سلولی عصبی (NCA) همراه با یک مولد الگوی مبتنی بر مختصات آموخته شده (SIREN)، که هر دو به طور همزمان برای تولید مجموعه‌ای از الگوها آموزش دیده‌اند. ما تحلیل‌های اطلاعاتی-نظری از نحوه توزیع اطلاعات بین الگوهای اولیه و فرآیند خودسازماندهی ارائه می‌دهیم و نشان می‌دهیم که یادگیری مشترک هر دو جزء، نسبت به جایگزین‌های صرفاً خودسازمانده، منجر به بهبود در استحکام، ظرفیت کدگذاری و شکست تقارن می‌شود. تحلیل ما همچنین نشان می‌دهد که الگوهای اولیه مؤثر صرفاً اهداف خود را تقریب نمی‌زنند؛ بلکه، دینامیک رشدی را به گونه‌ای سوگیری می‌کنند که همگرایی را تسهیل کند، که این امر به رابطه‌ای غیربدیهی بین ساختار شرایط اولیه و دینامیک خودسازماندهی اشاره دارد.

From subcellular structures to entire organisms, many natural systems generate complex organisation through self-organisation: local interactions that collectively give rise to global structure without any blueprint of the outcome. Yet a significant portion of the information driving such processes is not produced by self-organisation itself, instead, it is often offloaded to initial conditions of the system. Biological development is a prime example, where maternal pre-patterns encode positional and symmetry-breaking information that scaffolds the self-organising process. From maternal morphogen gradients in early embryogenesis to tissue-level morphogenetic pre-patterns guiding organ formation, this transfer of information to initial conditions, analogous to a memory-compute trade-off in computational systems, is a fundamental part of developmental processes. In this work, we study this offloading phenomenon by introducing a model that jointly learns both the self-organisation rules and the pre-patterns, allowing their interplay to be varied and measured under controlled conditions: a Neural Cellular Automaton (NCA) paired with a learned coordinate-based pattern generator (SIREN), both trained simultaneously to generate a set of patterns. We provide information-theoretic analyses of how information is distributed between pre-patterns and the self-organising process, and show that jointly learning both components yields improvements in robustness, encoding capacity, and symmetry breaking over purely self-organising alternatives. Our analysis further suggests that effective pre-patterns do not simply approximate their targets; rather, they bias the developmental dynamics in ways that facilitate convergence, pointing to a non-trivial relationship between the structure of initial conditions and the dynamics of self-organisation.