[논문 리뷰] Transforming Exploratory Creativity with DeLeNoX

Antonios Liapis, Héctor P. Martínez외 2명|IT University Of Copenhagen (IT University of Copenhagen)|2021. 03. 22.

Artificial Intelligence in Games참고 문헌 26인용 수 52

한 줄 요약

DeLeNoX는 제약된 참신성 탐색을 통한 탐색과 제약된 CPPN-생성 공간 내에서 다양하고 서로 다른 우주선을 발견하기 위해 잡음 제거 자동인코더를 통한 변환 사이를 교대합니다. 이 접근 방식은 탐색을 압축 기반 학습 진행과 연결합니다.

ABSTRACT

We introduce DeLeNoX (Deep Learning Novelty Explorer), a system that autonomously creates artifacts in constrained spaces according to its own evolving interestingness criterion. DeLeNoX proceeds in alternating phases of exploration and transformation. In the exploration phases, a version of novelty search augmented with constraint handling searches for maximally diverse artifacts using a given distance function. In the transformation phases, a deep learning autoencoder learns to compress the variation between the found artifacts into a lower-dimensional space. The newly trained encoder is then used as the basis for a new distance function, transforming the criteria for the next exploration phase. In the current paper, we apply DeLeNoX to the creation of spaceships suitable for use in two-dimensional arcade-style computer games, a representative problem in procedural content generation in games. We also situate DeLeNoX in relation to the distinction between exploratory and transformational creativity, and in relation to Schmidhuber's theory of creativity through the drive for compression progress.

연구 동기 및 목표

• 계산적 창의성에서 탐색적 창의성과 변형적 창의성의 구분을 동기부여하고 실질적으로 실행 가능하게 한다.
• 탐색 편향을 적응시키기 위해 제약된 참신성 주도 탐색과 표현 기반 변환 사이를 교대하는 시스템을 개발한다.
• CPPNs와 반복적 특징 학습을 사용하여 다양하고 제약을 만족하는 2D 우주선 스프라이트를 생성한다.
• Schmidhuber의 압축 진행 이론에 기초하고 이를 게임 콘텐츠 생성에 적용한다.

제안 방법

• 두 단계 사이클을 사용한다: 타당성 제약 하에서 다양성을 극대화하기 위한 제약된 참신성 탐색을 통한 탐색.
• 결과물을 Compositional Pattern-Producing Networks (CPPNs)로 표현하고 NEAT-스타일 증가를 통해 토폴로지를 진화시킨다.
• 우주선 스프라이트의 왼쪽 절반에 잡음 제거 자동인코더를 적용하여 저차원 특징 표현을 얻는다.
• 자동인코더 특징으로부터 새로운 거리 함수를 계산하여 다음 탐색 단계를 구동하고, 따라서 탐색 편향을 변환한다.
• 현재 탐색 단계의 결과물에 대해 자동인코더를 학습시켜 일반적인 패턴을 포착하고 압축 기반 진행을 가능하게 한다.
• Feasible-Infeasible Neuroevolution of Augmenting Topologies (FINS)를 활용하여 타당성 제약과 참신성 주도 탐색의 균형을 맞춘다.

실험 결과

연구 질문

• RQ1 탐색과 변환 단계를 번갈아 수행하면 제약된 우주선 설계 공간의 커버리지를 어떻게 향상시킬 수 있는가?
• RQ2 자동인코더에서 도출된 표현이 현재의 편향을 포착하고 이후의 탐색적 검색을 더 새로운 결과물로 이끌 수 있는가?
• RQ3 압축 기반 특징을 통한 검색 편향 변환이 정적 탐색에 비해 더 다양하고 실행가능한 우주선 스프라이트를 산출하는가?
• RQ4 CPPN 복잡성의 반복적 증가가 변환적 방식과 정적 방식에서 발견된 형태에 어떤 영향을 미치는가?

주요 결과

• DeLeNoX는 매우 제약된 설계 공간 내에서 놀라운 다양한 우주선을 산출한다.
• 잡음 제거 자동인코더를 통한 변환은 탐색 편향을 바꾸고 반복에 걸쳐 더 다양한 모양으로 이어진다.
• 변환 실행에서의 탐색은 정적 실행보다 더 복잡하고 다양한 모양을 만드는 경향이 있다.
• 각 변환 단계에서 학습된 특징은 CPPN 토폴로지가 증가함에 따라 모서리, 원형/수직 영역과 같은 진화하는 시각적 패턴을 반영한다.
• 과거 결과물을 잊는 무기억 접근 방식은 변환 단계가 거리 메트릭을 적응시킬 때도 반복적 다각화를 가능하게 한다.