High-dimensional, multi-modal optimization problems in creative AI remain challenging because many methods converge prematurely. We present the Hummingbird Kernel, a black-box optimization (BBO) framework that integrates a four-species competitive Generalized Lotka–Volterra (gLV) generator into a Bayesian Optimization (BO) loop. The system’s deterministic chaotic dynamics yield a structured, non repeating sequence of candidate points that may help avoid local optima while maintaining diversity. A deterministic mapping from the gLV state to the target search space provides a controllable exploration mechanism via a single scale parameter that expands or contracts the attractor. In preliminary experiments, Hummingbird achieved lower regret than CMA-ES on deceptive benchmark functions at higher dimensionalities (D ≥ 50) under our settings. We also provide a small procedural content generation example, suggesting potential suitability for human-in-the-loop workflows where both broad exploration and local refinement are desirable. Although chaotic dynamics are seldom used for candidate generation due to sensitivity to initial conditions and limited controllability, here chaos is confined to a bounded attractor, exposed through a tunable scale, and coupled with BO so that deterministic trajectories act as a reproducible, adjustable proposal process.
創造的AIにおける高次元・多モード最適化問題は、多くの手法が早期に収束してしまうため依然として困難である。我々はHummingbird Kernelを提案する。これは4種の競合型一般化ロットカ＝ヴォルテラ（gLV）生成器をベイジアン最適化（BO）ループに統合したブラックボックス最適化（BBO）フレームワークである。このシステムの決定論的カオス的挙動は、多様性を維持しつつ局所最適解を回避する可能性のある、構造化され非反復的な候補点列を生成する。gLV状態から目標探索空間への決定論的写像は、単一のスケールパラメータを介した制御可能な探索メカニズムを提供する。このパラメータはアトラクタを拡張または収縮させる。予備実験では、高次元（D ≥ 50）において、欺瞞的なベンチマーク関数の条件下で、CMA-ESやBOと比較して低いリグレットを達成した。また、手続き型コンテンツ生成の例も提示し、広範な探索と局所的な洗練の両方が求められるヒューマン・イン・ザ・ループ作業フローへの潜在的な適性を示唆している。カオス的ダイナミクスは初期条件への敏感さと制御性の限界から候補生成にほとんど用いられないが、本手法ではカオスを境界付きアトラクタに閉じ込め、調整可能なスケールで可視化し、BOと結合させることで、決定論的軌道が再現可能かつ調整可能なプロセスとして提案する。
Takahito Murakami, Maya Grace Torii, Yoichi Ochiai