- PVSM.RU - https://www.pvsm.ru -

Необыкновенный способ генерации лабиринтов

Необыкновенный способ генерации лабиринтовВ этой статье я расскажу об одном необычном подходе к генерации лабиринтов. Он основан на модели Амари́ нейронной активности коры головного мозга [1], являющейся непрерывным аналогом нейронных сетей. При определенных условиях она позволяет создавать красивые лабиринты очень сложной формы, подобные тому, что приведен на картинке.

Вас ждет много анализа и немного частных производных. Код прилагается.
Прошу под кат!

Введение

Многие из читателей уже сталкивались с задачей генерации лабиринта в той или иной форме и знают, что для ее решения зачастую используют алгоритмы Прима и Крускала нахождения минимального остовного дерева в графе, вершины которого являются ячейками лабиринта, а ребра представляют проходы между соседними ячейками. Мы же сделаем смелый шаг прочь от теории графов в сторону… вычислительной нейробиологии.

В течение XX века ученые строили математические модели одиночных нейронов (клеток нервной системы) и их взаимодействия между собой. В 1975 году С. Амари представил свету свою непрерывную модель коры головного мозга [1]. В ней нервная система рассматривалась как сплошная среда, в каждой точке которой находится «нейрон», характеризуемый значением потенциала своей мембраны, которая меняет свой потенциал, обмениваясь зарядами с соседними нейронами и внешними раздражителями. Модель Амари знаменита тем, что объясняет многие феномены человеческого зрения и, в частности, зрительные галлюцинации, вызываемые психоактивными веществами.

Модель Амари, в ее простейшем виде, представляет собой задачу Коши для одного интегро-дифференциального уравнения:

Необыкновенный способ генерации лабиринтов

Здесь не обойтись без пояснений:

  • Необыкновенный способ генерации лабиринтов — вещественное значение потенциала мембраны нейрона в точке Необыкновенный способ генерации лабиринтов в момент времени Необыкновенный способ генерации лабиринтов.
  • Необыкновенный способ генерации лабиринтов — потенциал покоя (некоторая вещественная константа).
  • Необыкновенный способ генерации лабиринтов — ступенчатая функция Хэвисайда:

    Необыкновенный способ генерации лабиринтов

  • Необыкновенный способ генерации лабиринтов — весовая функция.
  • Необыкновенный способ генерации лабиринтов — внешний раздражитель.
  • Необыкновенный способ генерации лабиринтов — распределение потенциала в начальный момент времени.
  • Необыкновенный способ генерации лабиринтов — произвольная точка области Необыкновенный способ генерации лабиринтов, на которой определен потенциал. Поскольку мы планируем генерировать двумерное изображение лабиринта, в качестве Необыкновенный способ генерации лабиринтов будем рассматривать всю вещественную плоскость.
  • Частная производная Необыкновенный способ генерации лабиринтов по времени в левой части обозначает мгновенное изменение потенциала Необыкновенный способ генерации лабиринтов. Правая часть задает правило этого изменения.
  • Первые два слагаемых правой части означают, что при отсутствии раздражителей значение потенциала стремится к значению потенциала покоя.
  • Следующее слагаемое учитывает воздействие соседних нейронов. Функция Хэвисайда играет роль активационной функции нейрона: нейрон начинает влиять на соседей лишь при условии, что его потенциал больше нуля. Будем далее называть такие нейроны активными, а множество точек с положительным потенциалом — областью активности. Ясно, что покоящиеся нейроны не должны быть активными, то есть потенциал покоя не должен быть положительным. Активных соседей можно условно разделить на две группы: возбуждающие и тормозящие. Возбуждающие нейроны увеличивают потенциал соседей, а тормозящие — уменьшают. При этом возбуждающие создают мощный всплеск активности в малой окрестности, а тормозящие постепенно гасят активность в окрестности большого радиуса. Именно этот факт отражен в выборе весовой функции Необыкновенный способ генерации лабиринтов в форме «мексиканской шляпы»:

    Необыкновенный способ генерации лабиринтов
    Необыкновенный способ генерации лабиринтов

  • Последнее слагаемое правой части уравнения учитывает действие внешнего раздражителя. Например, для зрительной коры головного мозга [1] естественным раздражителем является сигнал, полученный с сетчатки глаза. Будем считать, что раздражитель задан неотрицательной стационарной (независящей от времени) функцией.

Зададимся вопросом: можно ли подобрать параметры модели Необыкновенный способ генерации лабиринтов так, чтобы ее стационарное решение (при Необыкновенный способ генерации лабиринтов) было изображением некоторого лабиринта?

Свойства решений модели Амари

Для анализа решений модели Амари нам будет достаточно ограничиться рассмотрением одномерного случая. Для простоты будем полагать, что Необыкновенный способ генерации лабиринтов постоянна на всей прямой.
В первую очередь нас интересуют так называемые бамп-решения. Они замечательны тем, что положительны лишь на некотором конечном интервале Необыкновенный способ генерации лабиринтов с подвижными границами. Уравнение Амари для них записывается следующим образом:

Необыкновенный способ генерации лабиринтов

Чтобы понять, как ведет себя его решение, введем функцию

Необыкновенный способ генерации лабиринтов

Теперь то же уравнение можно переписать так:

Необыкновенный способ генерации лабиринтов

Нам известно, что бамп-решение обращается в ноль на границах интервала активности (потому они и называются границами). Запишем это условие на правой границе:

Необыкновенный способ генерации лабиринтов

А теперь продифференцируем последнее тождество по переменной Необыкновенный способ генерации лабиринтов:

Необыкновенный способ генерации лабиринтов

Отсюда:

Необыкновенный способ генерации лабиринтов

Подставляя последнее выражение в уравнение для бамп-решения при Необыкновенный способ генерации лабиринтов, получим:

Необыкновенный способ генерации лабиринтов

Теперь заметим, что частная производная по Необыкновенный способ генерации лабиринтов в левой части всегда отрицательна, так как слева от правой границы решение больше нуля, а справа от нее — меньше. Поэтому

Необыкновенный способ генерации лабиринтов

Таким образом, направление сдвига границы зависит лишь от значения выражения в правой части. Если оно больше нуля, то область активности расширяется, если меньше — сужается. При равенстве нулю достигается равновесие.
Взглянем на возможные графики функции Необыкновенный способ генерации лабиринтов.
Необыкновенный способ генерации лабиринтов
Очевидно, возможны два случая:

  1. Предельное значение Необыкновенный способ генерации лабиринтов неотрицательно. Тогда область активности бамп-решения будет неограниченно расширяться.
  2. Предельное значение Необыкновенный способ генерации лабиринтов отрицательно. Тогда область активности будет ограничена. Более того, в этом случае можно показать, что связные компоненты области активности решения уравнения Амари никогда не сливаются.

К сожалению, в двумерном случае получить явное выражение для функции Необыкновенный способ генерации лабиринтов затруднительно, поэтому мы просто оценим ее:

Необыкновенный способ генерации лабиринтов

Отсюда:

Необыкновенный способ генерации лабиринтов

Генерация лабиринта

Собрав багаж необходимых знаний, мы можем приступить к, собственно, алгоритму генерации лабиринта.
Прежде всего, определимся с самим понятием «лабиринт». Под лабиринтом будем подразумевать бинарную функцию Необыкновенный способ генерации лабиринтов такую, что область Необыкновенный способ генерации лабиринтов связна. Значение 0 соответствует свободной ячейке, а значение 1 — непроходимой стене. Условие связности говорит о том, что из любой свободной ячейки можно добраться до любой другой, не разрушая стены. Функцию Необыкновенный способ генерации лабиринтов будем искать в виде:

Необыкновенный способ генерации лабиринтов

где Необыкновенный способ генерации лабиринтов — решение модели Амари. Осталось лишь определиться с параметрами модели.
Начнем с того, что зафиксируем произвольное отрицательное значение Необыкновенный способ генерации лабиринтов. Естественно положить Необыкновенный способ генерации лабиринтов. Теперь зададим функцию Необыкновенный способ генерации лабиринтов. Пусть ее значение в каждой точке определяется случайной величиной, равномерно распределенной на отрезке Необыкновенный способ генерации лабиринтов. В таком случае раздражитель не будет создавать активность. Зафиксируем произвольное положительное Необыкновенный способ генерации лабиринтов. Этот параметр влияет лишь на абсолютную величину потенциала, потому не представляет интереса. Зафиксируем произвольные положительные Необыкновенный способ генерации лабиринтов. Они определяют характерную толщину стен лабиринта. Параметр Необыкновенный способ генерации лабиринтов попробуем определить экспериментально, а затем сравнить с теоретической оценкой, полученной в предыдущем разделе.
Стационарное решение будем искать методом последовательных приближений:

Необыкновенный способ генерации лабиринтов

А вот и долгожданная интерактивная демонстрация на Python:

import math
import numpy
import pygame
from scipy.misc import imsave
from scipy.ndimage.filters import gaussian_filter


class AmariModel(object):

    def __init__(self, size):
        self.h = -0.1
        self.k = 0.05
        self.K = 0.125
        self.m = 0.025
        self.M = 0.065

        self.stimulus = -self.h * numpy.random.random(size)
        self.activity = numpy.zeros(size) + self.h
        self.excitement = numpy.zeros(size)
        self.inhibition = numpy.zeros(size)

    def stimulate(self):
        self.activity[:, :] = self.activity > 0

        sigma = 1 / math.sqrt(2 * self.k)
        gaussian_filter(self.activity, sigma, 0, self.excitement, "wrap")
        self.excitement *= self.K * math.pi / self.k

        sigma = 1 / math.sqrt(2 * self.m)
        gaussian_filter(self.activity, sigma, 0, self.inhibition, "wrap")
        self.inhibition *= self.M * math.pi / self.m

        self.activity[:, :] = self.h
        self.activity[:, :] += self.excitement
        self.activity[:, :] -= self.inhibition
        self.activity[:, :] += self.stimulus


class AmariMazeGenerator(object):

    def __init__(self, size):
        self.model = AmariModel(size)

        pygame.init()
        self.display = pygame.display.set_mode(size, 0)
        pygame.display.set_caption("Amari Maze Generator")

    def run(self):
        pixels = pygame.surfarray.pixels3d(self.display)

        index = 0
        running = True
        while running:
            self.model.stimulate()

            pixels[:, :, :] = (255 * (self.model.activity > 0))[:, :, None]
            pygame.display.flip()

            for event in pygame.event.get():
                if event.type == pygame.QUIT:
                    running = False
                elif event.type == pygame.KEYDOWN:
                    if event.key == pygame.K_ESCAPE:
                        running = False
                    elif event.key == pygame.K_s:
                        imsave("{0:04d}.png".format(index), pixels[:, :, 0])
                        index = index + 1
                elif event.type == pygame.MOUSEBUTTONDOWN:
                    position = pygame.mouse.get_pos()
                    self.model.activity[position] = 1

        pygame.quit()


def main():
    generator = AmariMazeGenerator((512, 512))
    generator.run()


if __name__ == "__main__":
    main()

Я полагаю, что комментарии излишни. Хотелось бы отметить лишь то, что свертка с весовой функцией вычисляется через фильтр Гаусса, причем изображения продолжаются периодически на всю плоскость (параметр «wrap»). Демонстрация интерактивна в том смысле, что позволяет принудительно установить положительный потенциал в любой точке по клику.
Поведение решения, как и ожидалось, зависит от выбора параметра Необыкновенный способ генерации лабиринтов:

Необыкновенный способ генерации лабиринтов
Необыкновенный способ генерации лабиринтов
Необыкновенный способ генерации лабиринтов
Необыкновенный способ генерации лабиринтов
Необыкновенный способ генерации лабиринтов
Необыкновенный способ генерации лабиринтов

Теперь получим теоретическую оценку оптимального значения параметра Необыкновенный способ генерации лабиринтов. Оно удовлетворяет условию:

Необыкновенный способ генерации лабиринтов

Поэтому его можно оценить следующим образом:

Необыкновенный способ генерации лабиринтов

Неплохо, однако реальное значение Необыкновенный способ генерации лабиринтов чуть выше теоретической оценки. В этом легко убедиться, положив Необыкновенный способ генерации лабиринтов.

Наконец, можно менять степень «разреженности» лабиринта, изменяя значение параметра Необыкновенный способ генерации лабиринтов:

Необыкновенный способ генерации лабиринтов
Необыкновенный способ генерации лабиринтов
Необыкновенный способ генерации лабиринтов
Необыкновенный способ генерации лабиринтов
Необыкновенный способ генерации лабиринтов
Необыкновенный способ генерации лабиринтов

Заключение

Вот мы и закончили рассмотрение, пожалуй, самого необыкновенного способа генерации лабиринтов. Надеюсь, что статья показалась Вам интересной. В заключение приведу список литературы для желающих расширить свой кругозор:

[1] Konstantin Doubrovinski, Dynamics, Stability and Bifurcation Phenomena in the Nonlocal Model of Cortical Activity [2], 2005.
[2] Dequan Jin, Dong Liang, Jigen Peng, Existence and Properties of Stationary Solution of Dynamical Neural Field [3], 2011.
[3] Stephen Coombes, Helmut Schmidt, Ingo Bojak, Interface Dynamics in Planar Neural Field Models [4], 2012.

Автор: Thoughteer

Источник [5]


Сайт-источник PVSM.RU: https://www.pvsm.ru

Путь до страницы источника: https://www.pvsm.ru/python/35404

Ссылки в тексте:

[1] мозга: http://www.braintools.ru

[2] Dynamics, Stability and Bifurcation Phenomena in the Nonlocal Model of Cortical Activity: http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.64.8688&rep=rep1&type=pdf

[3] Existence and Properties of Stationary Solution of Dynamical Neural Field: http://gr.xjtu.edu.cn/c/document_library/get_file?folderId=29529&name=DLFE-2974.pdf

[4] Interface Dynamics in Planar Neural Field Models: http://www.mathematical-neuroscience.com/content/2/1/9

[5] Источник: http://habrahabr.ru/post/181265/