본 논문은 신경 세포 자동자(NCA)를 추상적이고 추론적인 과제를 요구하는 ARC-AGI(Abstraction and Reasoning Corpus for Artificial General Intelligence) 데이터셋에 적용하여 그 성능을 평가한다. 기울기 기반 학습을 통해 입력 그리드를 출력 그리드로 변환하는 반복적인 업데이트 규칙을 학습시키고, 이를 테스트 입력에 적용하는 방식을 사용한다. 실험 결과, 기울기 기반 학습을 통해 훈련된 NCA 모델은 ARC 데이터셋의 다양한 추상적인 그리드 기반 과제에 효과적이고 효율적인 접근 방식임을 보여준다. 또한, 다양한 설계 수정 및 훈련 제약 조건의 영향을 논의하고, ARC에 적용된 NCA의 동작과 특성을 분석하여 자기 조직 시스템의 광범위한 응용에 대한 통찰력을 제공한다.
