신경 세포 자동자(Neural Cellular Automata, NCA)는 생체에서 영감을 받은 동적 시스템으로, 동일한 세포들이 학습된 지역 업데이트 규칙을 반복적으로 적용하여 복잡한 패턴을 자기 조직화하고 재생 및 견고성을 보이는 특징이 있습니다. 하지만 기존 NCA는 훈련 시간과 메모리 요구 사항이 격자 크기에 따라 제곱으로 증가하고, 정보 전파가 엄격히 지역적이며, 고해상도 실시간 추론에 많은 연산이 필요해 저해상도 출력에 머무는 한계가 있었습니다. 이러한 제약을 극복하고 고해상도 실시간 패턴 생성을 가능하게 하는 새로운 접근 방식이 발표되었습니다.
새로운 방식은 NCA를 조밀하지 않은(coarse) 격자에서 작동시키고, 각 세포의 상태와 지역 좌표를 외형 속성으로 매핑하는 경량의 암시적 디코더(Implicit Decoder)를 결합합니다. 이 디코더는 '지역 패턴 생성 네트워크(Local Pattern Producing Network, LPPN)'라는 공유 경량 MLP(다층 퍼셉트론)로 구성되어, 보간된 세포 상태와 지역 좌표를 입력받아 색상이나 표면 법선과 같은 목표 속성을 출력합니다. NCA와 LPPN은 함께 종단 간(end-to-end)으로 훈련되며, 디코더와 NCA 업데이트 모두 지역적으로 이루어져 추론(inference)이 고도로 병렬화될 수 있습니다. 이를 통해 모델은 임의의 해상도로 출력을 렌더링할 수 있으며, 고해상도 출력을 효율적으로 감독하기 위해 형태 형성(morphogenesis) 및 텍스처 합성을 위한 작업별 손실(task-specific losses)을 도입하여 추가 메모리 및 계산 오버헤드를 최소화했습니다.
이 하이브리드 모델은 2D/3D 격자 및 메시(mesh) 도메인 전반에서 실험되었으며, 고해상도 출력을 실시간으로 생성하면서 NCA의 특징적인 자기 조직화 행동을 유지함을 입증했습니다. 데모에서는 씨앗에서 패턴을 성장시키고 손상 시 자가 치유하는 모습, 재생 가능한 PBR(물리 기반 렌더링) 텍스처를 합성하는 기능, 그리고 구름과 같은 3D 텍스처를 생성하는 능력을 선보였습니다. 이는 기존 NCA가 가졌던 해상도와 실시간 처리의 한계를 극복하고, 다양한 시각 콘텐츠 생성 분야에서 새로운 가능성을 열어줄 것으로 기대됩니다.