本文提出了一种名为神经进化竞技场（Neuroevolution Arena）的GPU加速空间生态系统，用于评估独立参数化的神经网络单元。该系统采用审计跟踪的嵌套评估协议，研究了三种更新和继承机制（EvoEvo、EvoRL和RLRL）与两种神经架构的组合，共进行了50,000代的训练，每个条件进行了三次独立训练。每次训练的精英控制器会进入一个对齐的冻结评估设计，共包含198个计算任务。结果表明，启用强化学习的机制在训练过程中获得了更高的适应度，而成对的结果则显示出架构条件下的多数模式和显著的依赖于成果的差异。六种获胜策略在不同成果和背景下各有不同，预先设定的生存端点具有完全的底线。我们贡献了一种嵌套协议，该协议将训练运行的成果与评估背景区分开来，并暴露了它们的不同变化来源。 博主点评： 本文提出了一种创新性的神经进化评估框架，能够深入研究不同更新和继承机制在神经架构中的表现，具有重要的理论和实践意义。