本研究では、学習可能な脳のようなコントローラを細胞のようなGray-Scott基質に結合し、最小限の労力でパターン形成を導く方法を探ります。 PyTorchの反応-拡散シミュレーターに組み込まれたコンパクトな畳み込みポリシーによって、フィードとキルパラメータの空間的な変調が生成されます。トレーニングは、コントロールの努力と不安定性をペナルティとし、純粋な反応-拡散、NN優勢、そしてハイブリッドの3つのレジームを比較しました。ハイブリッドモデルは、ターゲットテクスチャを高速で確実に形成し、従来のNN制御に比べて約15倍の少ない労力で98%の収束率を達成します。結果は、形態的計算の量的測定を提供し、中央集権的学習と分散型自己組織化の最適な労働分担を活用した堅牢でエネルギー効率の良いシステム構築のための実用的なレシピを提示します。