世界模型提供了一種以安全且樣本高效的方式訓(xùn)練強化學(xué)習(xí)智能體的方法。近期，世界模型主要對離散潛在變量序列進行操作來模擬環(huán)境動態(tài)。

然而，這種壓縮為緊湊離散表征的方式可能會忽略對強化學(xué)習(xí)很重要的視覺細節(jié)。另一方面，擴散模型已成為圖像生成的主要方法，對離散潛在模型提出了挑戰(zhàn)。

受這種范式轉(zhuǎn)變的推動，來自日內(nèi)瓦大學(xué)、愛丁堡大學(xué)、微軟研究院的研究者聯(lián)合提出一種在擴散世界模型中訓(xùn)練的強化學(xué)習(xí)智能體 —— DIAMOND（DIffusion As a Model Of eNvironment Dreams）。

• 論文地址：https://arxiv.org/abs/2405.12399
• 項目地址：https://github.com/eloialonso/diamond
• 論文標題：Diffusion for World Modeling: Visual Details Matter in Atari

DIAMOND 在 Atari 100k 基準測試中獲得了 1.46 的平均人類歸一化得分 (HNS)，可以媲美完全在世界模型中訓(xùn)練的智能體的 SOTA 水平。該研究提供了定性分析來說明，DIAMOND 的設(shè)計選擇對于確保擴散世界模型的長期高效穩(wěn)定是必要的。

此外，在圖像空間中操作的好處是使擴散世界模型能夠成為環(huán)境的直接替代品，從而提供對世界模型和智能體行為更深入的了解。特別地，該研究發(fā)現(xiàn)某些游戲中性能的提高源于對關(guān)鍵視覺細節(jié)的更好建模。

方法介紹

接下來，本文介紹了 DIAMOND， 這是一種在擴散世界模型中訓(xùn)練的強化學(xué)習(xí)智能體。具體來說，研究者基于 2.2 節(jié)引入的漂移和擴散系數(shù) f 和 g，這兩個系數(shù)對應(yīng)于一種特定的擴散范式選擇。此外，該研究還選擇了基于 Karras 等人提出的 EDM 公式。

首先定義一個擾動核，，其中， 是一個與擴散時間相關(guān)的實值函數(shù)，稱為噪聲時間表。這對應(yīng)于將漂移和擴散系數(shù)設(shè)為 和。

接著使用 Karras 等人（2022）引入的網(wǎng)絡(luò)預(yù)處理，同時參數(shù)化公式（5）中的，作為噪聲觀測值和神經(jīng)網(wǎng)絡(luò) 預(yù)測值的加權(quán)和： 

得到公式（6）

其中為了簡潔定義，包含所有條件變量。 

預(yù)處理器的選擇。選擇預(yù)處理器和，以保持網(wǎng)絡(luò)輸入和輸出在任何噪聲水平 下的單位方差。 是噪聲水平的經(jīng)驗轉(zhuǎn)換，  由  和數(shù)據(jù)分布的標準差  給出，公式為

 結(jié)合公式 5 和 6，得到訓(xùn)練目標：

該研究使用標準的 U-Net 2D 來構(gòu)建向量場，并保留一個包含過去 L 個觀測和動作的緩沖區(qū)，以此來對模型進行條件化。接下來他們將這些過去的觀測按通道方式與下一個帶噪觀測拼接，并通過自適應(yīng)組歸一化層將動作輸入到 U-Net 的殘差塊中。正如在第 2.3 節(jié)和附錄 A 中討論的，有許多可能的采樣方法可以從訓(xùn)練好的擴散模型中生成下一個觀測。雖然該研究發(fā)布的代碼庫支持多種采樣方案，但該研究發(fā)現(xiàn)歐拉方法在不需要額外的 NFE（函數(shù)評估次數(shù)）以及避免了高階采樣器或隨機采樣的不必要復(fù)雜性的情況下是有效的。 

實驗

為了全面評估 DIAMOND，該研究使用了公認的 Atari 100k 基準測試，該基準測試包括 26 個游戲，用于測試智能體的廣泛能力。對于每個游戲，智能體只允許在環(huán)境中進行 100k 次操作，這大約相當于人類 2 小時的游戲時間，以在評估前學(xué)習(xí)玩游戲。作為參考，沒有限制的 Atari 智能體通常訓(xùn)練 5000 萬步，這相當于經(jīng)驗的 500 倍增加。研究者從頭開始在每個游戲上用 5 個隨機種子訓(xùn)練 DIAMOND。每次運行大約使用 12GB 的 VRAM，在單個 Nvidia RTX 4090 上大約需要 2.9 天（總計 1.03 個 GPU 年）。 

表 1 比較了在世界模型中訓(xùn)練智能體的不同得分：

圖 2 中提供了平均值和 IQM（ Interquartile Mean ）置信區(qū)間：

結(jié)果表明，DIAMOND 在基準測試中表現(xiàn)強勁，超過人類玩家在 11 個游戲中的表現(xiàn)，并達到了 1.46 的 HNS 得分，這是完全在世界模型中訓(xùn)練的智能體的新紀錄。該研究還發(fā)現(xiàn)，DIAMOND 在需要捕捉細節(jié)的環(huán)境中表現(xiàn)特別出色，例如 Asterix、Breakout 和 Road Runner。

為了研究擴散變量的穩(wěn)定性，該研究分析了自回歸生成的想象軌跡（imagined trajectory），如下圖 3 所示：

該研究發(fā)現(xiàn)有些情況需要迭代求解器將采樣過程驅(qū)動到特定模式，如圖 4 所示的拳擊游戲：

如圖 5 所示，與 IRIS 想象的軌跡相比，DIAMOND 想象的軌跡通常具有更高的視覺質(zhì)量，并且更符合真實環(huán)境。

感興趣的讀者可以閱讀論文原文，了解更多研究內(nèi)容。