Tensorized NeuroEvolution of Augmenting Topologies for GPU Acceleration

本文介绍了一种针对神经进化算法（NEAT）的张量化方法，将其各种网络拓扑和相关操作转化为统一形状的张量以进行计算，从而提高了NEAT算法的计算效率和可扩展性。同时，作者还开发了一个名为TensorNEAT的库，实现了张量化NEAT算法及其变体，如CPPN和HyperNEAT，并通过自动化函数向量化和硬件加速促进了高效的并行计算。此外，TensorNEAT库支持多种基准环境，包括Gym、Brax和gymnax。通过在Brax中进行机器人控制环境的多方面评估，TensorNEAT相比现有实现如NEAT-Python可以实现高达500倍的加速。源代码可在https://github.com/EMI-Group/tensorneat获得。

NEAT算法在计算效率上存在瓶颈，限制了其可扩展性，论文试图提出一种基于张量的NEAT算法，以解决这个问题。

论文提出了一种基于张量的NEAT算法，将不同的网络拓扑和相关操作转化为统一形状的张量进行计算，从而实现对整个种群的并行化执行，提高计算效率。

论文开发了TensorNEAT库，基于JAX实现了张量化的NEAT算法及其变体，支持Gym、Brax和gymnax等多个基准环境；在Brax中的多个机器人控制环境中进行评估，相比现有的NEAT-Python等实现，TensorNEAT实现了高达500倍的加速。

在这个领域中，最近的相关研究包括：《Neuroevolution: A Survey of the State of the Art》、《HyperNEAT-GGP: A HyperNEAT-based Atari General Game Playing Agent》等。