Show HN: 고해상도 Neural Cellular Automata

기존 **Neural Cellular Automata (NCA)**는 복잡한 패턴을 생성하는 데 탁월하지만, 격자 크기가 커질수록 학습 시간과 메모리 요구량이 제곱으로 증가하고 실시간 추론이 어렵다는 한계가 있었습니다.

본 연구는 이를 해결하기 위해 **저해상도 격자(Coarse Grid)**에서 진화하는 NCA와, 셀 상태 및 로컬 좌표를 시각적 속성으로 매핑하는 경량 **Implicit Decoder(LPPN)**를 결합한 하이브리드 모델을 제안합니다.

주요 특징은 다음과 같습니다:

• 임의 해상도 지원: 디코더가 로컬 좌표를 사용하므로 출력 해상도에 구애받지 않고 고해상도 렌더링이 가능합니다.
• 효율적인 병렬 처리: NCA 업데이트와 디코더 연산이 모두 로컬(Local)하게 이루어져 높은 병렬성을 유지하며 실시간 추론이 가능합니다.
• 다양한 도메인 적용: 2D/3D 격자 및 메쉬(Mesh) 도메인에서 실험을 통해 형태 형성(Morphogenesis) 및 텍스처 합성 능력을 입증했습니다.
• 효율적인 학습: 형태 형성 및 텍스처 합성을 위한 작업별 손실 함수(Task-specific losses)를 도입하여 추가적인 메모리 오버헤드 없이 고해상도 출력을 학습할 수 있습니다.