GPU-basierte Simulation und Mustererkennung in Cellular Automata mittels Work Graphs
22.01.2026Entwicklung und Evaluation eines GPU-only Ansatzes für die Simulation und Mustererkennung-basierte Analyse von Cellular Automata mittels Work Graphs am Beispiel des Game of Life.
Background:
Cellular Automata (CA) eignen sich wegen ihrer lokal definierten und für alle Zellen identischen Aktualisierungsregeln besonders für GPU-basierte Parallelisierung. Auch analytische Verfahren wie die Mustererkennung mittels Machine-Learning, z.B. 3D U-Nets, profitieren dank ihrer hochgradig parallelisierbaren Rechenoperationen von GPU-Beschleunigung.
Die Einführung von Work Graphs ermöglicht nun die Verwaltung von Abhängigkeiten innerhalb komplexer Simulationspipelines direkt auf der GPU. Dadurch lassen sich CA-Simulation und ML-basierte Analyse in einer durchgängigen, GPU-zentralisierten Pipeline integrieren, ohne dass Daten an die CPU zurückgeführt werden müssen. Dies eröffnet einen effizienten, vollständig GPU-basierten Workflow für die Simulation und Untersuchung selbstorganisierter Systeme.
Tasks:
- Literaturrecherche zu Optimierung von GPU-basierten CA sowie zu real-time Mustererkennung für CA.
- Implementation einer GPU-basierten Game of Life (GoL) Simulation basierend auf der Literatur. Einhergehende Analyse, welche Optimierungsmethoden für die spätere Verknüpfung mit Work Graphs geeignet sind.
- Implementation von Echtzeit-Mustererkennung, z.B. mittels 3D U-Nets. Die erkannten Muster sollten für Menschen verständlich ausgegeben werden. Eine Visualisierung kann hierfür hilfreich sein.
- Verbinden der beiden Komponenten mittels Work Graphs. Welche Einschränkungen gibt es? Welche Möglichkeiten zur Performance-Optimierung bzw. welche Bottlenecks ergeben sich?
- Evaluation der Performance mittels Vergleich zu einem naiven Ansatz ohne Work Graphs.
- Optional: Nutzen der erkannten Muster zur Vereinfachung und Beschleunigung der GoL Simulation. Das Ersetzen eines Zellen-Blocks durch einen Surrogat-Block, welcher anstelle der individuellen Regelanwendung direkt den nächsten Schritt des Patterns errechnet, könnte hierfür ein geeigneter Ansatz sein.
Literature:
-Cagigas-Muñiz, Daniel, et al. "Efficient simulation execution of cellular automata on GPU." Simulation Modelling Practice and Theory 118 (2022): 102519. doi.org/10.1016/j.simpat.2022.102519
-Colón Lugo, Christopher, et al. "Leveraging 3D U-Networks for the Recognition of Emergent Pattenrs in Conway's Game of Life." Artificial Life Conference Proceedings (2025). https://2025.alife.org/program
-AMD (2024). Real-Time Procedural Generation with GPU Work Graphs. GPUOpen Preprint. https://gpuopen.com/download/Real-Time_Procedural_Generation_with_GPU_Work_Graphs-GPUOpen_preprint.pdf
