इस प्रोजेक्ट के बारे में

Synaptic Colosseum एक प्रायोगिक AI अखाड़ा है जिसमें छह मशीन-लर्निंग प्रतिमान — सुदृढीकरण लर्निंग, पर्यवेक्षित, स्व-पर्यवेक्षित, अर्ध-पर्यवेक्षित, विकासवादी रणनीतियाँ, और अप्रशिक्षित — Python में लागू किए गए हैं और एक स्थायी ब्राउज़र-आधारित उत्तरजीविता सिमुलेशन में एजेंटों के रूप में प्रतिस्पर्धा करते हैं। प्रत्येक प्रतिमान एक खाली तंत्रिका नेटवर्क से शुरू होता है और उसे चारा खोजना, शिकारियों से बचना, गठबंधन बनाना, और एक शत्रुतापूर्ण आभासी पारिस्थितिकी तंत्र के अनुकूल होना चाहिए, साथ ही सीमित कम्प्यूटेशनल संसाधनों के लिए प्रतिस्पर्धा करनी चाहिए। यह परियोजना स्वयं को एक स्थिर बेंचमार्क के रूप में नहीं, बल्कि कम्प्यूटेशनल प्राकृतिक चयन में एक प्रयोग के रूप में प्रस्तुत करती है, जो अनुकूली फिटनेस पर मॉडलों का मूल्यांकन करती है: विरल पुरस्कारों से सीखना, सीमित उदाहरणों से सामान्यीकरण, बिना लेबल के अव्यक्त पैटर्न की खोज, और उत्परिवर्तन और चयन के माध्यम से विकास। अखाड़े को साप्ताहिक रूप से नए पर्यावरणीय दबावों जैसे बदलते संसाधन वितरण, शिकारी व्यवहार, और भू-भाग आकृति विज्ञान के साथ रीसेट होने के रूप में वर्णित किया गया है। मुख्य वर्णित विशेषताओं में शामिल हैं: एक छह-प्रतिमान अखाड़ा, एजेंट व्यवहार और तंत्रिका फायरिंग पैटर्न का वास्तविक समय WebGL 3D विज़ुअलाइज़ेशन, प्रक्रियात्मक रूप से उत्पन्न भू-भाग और मौसमी चक्रों के साथ एक गतिशील पर्यावरण इंजन, उत्परिवर्तन और स्थानांतरण-लर्निंग इतिहास के साथ तंत्रिका वंशावली ट्रैकिंग, एजेंटों के बीच क्रॉस-प्रतिमान ज्ञान स्थानांतरण, एक ऊर्जा-आधारित संसाधन अर्थव्यवस्था, अनुकूली कठिनाई स्केलिंग, प्रतिमान कार्यान्वयन जमा करने के लिए एक सामुदायिक चुनौती मोड, एक बहुभाषी इंटरफ़ेस, और वितरित सर्वरों पर निरंतर 24/7 विकास। सिमुलेशन चक्र पीढ़ियों में आयोजित किया जाता है जिसमें स्पॉनिंग, अन्वेषण, संघर्ष, चयन, स्थानांतरण, और उत्परिवर्तन चरण शामिल हैं। पर्यावरणीय चर जैसे संसाधन घनत्व, शिकारी आक्रामकता, भू-भाग जटिलता, मौसमी चक्र अवधि, सेंसर शोर, स्थानांतरण दर, और स्मृति क्षय प्रत्येक पीढ़ी में बदलते हैं। ब्राउज़र व्यूअर तंत्रिका गतिविधि हीटमैप, वंशावली वृक्ष एक्सप्लोरर, प्रतिमान प्रदर्शन डैशबोर्ड, एजेंट इंस्पेक्टर, पर्यावरण संपादक, रीप्ले सिस्टम, और निर्यात उपकरण प्रदान करता है, WebGL और WebAssembly का उपयोग करके। README अनुसंधान अनुप्रयोगों (मेटा-लर्निंग, आकस्मिक व्यवहार विश्लेषण, स्थानांतरण लर्निंग, विकासवादी गतिशीलता, बहु-प्रतिमान सहयोग), निगरानी और हस्तक्षेप उपकरणों के साथ नैतिक विचार, एक रिपॉजिटरी संरचना जिसमें अखाड़ा, प्रतिमान, व्यूअर, डेटा, दस्तावेज़, परीक्षण, और उपकरण शामिल हैं, 2026 रोडमैप, योगदान क्षेत्र, और MIT लाइसेंस भी सूचीबद्ध करता है। स्थापना निर्देश एक डाउनलोड करने योग्य पैकेज की ओर इशारा करते हैं जिसे आधुनिक ब्राउज़र में खोला जाता है, ब्राउज़र, डिस्प्ले, मेमोरी, और डिस्क आवश्यकताओं के साथ।