LOGOS-CA: A Cellular Automaton Using Natural Language as State and Rule

Resumen Técnico: LOGOS-CA

1. Planteamiento del Problema

Los Modelos de Lenguaje Grandes (LLMs) han demostrado una capacidad sorprendente para capturar conocimiento del mundo real y razonamiento de sentido común, como se evidencia en su alto rendimiento en el Winograd Schema Challenge (WSC). Esto sugiere que el lenguaje humano describe el mundo con un alto grado de matices y expresividad.

Por otro lado, los Autómatas Celulares (CA) tradicionales son modelos computacionales discretos donde las celdas tienen estados numéricos (enteros) y reglas de actualización fijas definidas por código. Aunque son potentes para simular fenómenos dinámicos (como incendios forestales o tráfico), su expresividad está limitada a la representación numérica y lógica estricta.

El problema central abordado en este estudio es: ¿Qué sucede si expresamos tanto los estados de las celdas como sus reglas de actualización en lenguaje natural, delegando la lógica de actualización a un LLM? El objetivo es trascender las limitaciones de los estados numéricos para crear un marco de simulación más rico y flexible.

2. Metodología: LOGOS-CA

Los autores proponen LOGOS-CA (Language Oriented Grid Of Statements – Cellular Automaton), un nuevo marco donde:

• Estructura: Se utiliza una cuadrícula bidimensional de celdas.
• Estado: Cada celda contiene una descripción en lenguaje natural de su estado actual (en lugar de un entero).
• Reglas: Las reglas de transición también se expresan en lenguaje natural dentro de la descripción de la celda.
• Motor de Actualización: Un LLM actúa como el motor de evolución. En cada paso de tiempo, el LLM recibe:
  1. La descripción del estado actual de la celda objetivo.
  2. Las descripciones de sus vecinos (vecindad de Moore de 8 celdas).
  3. Un prompt que le solicita determinar el estado siguiente basándose en la interacción con los vecinos y las reglas inherentes.
• Implementación: El sistema utiliza prompts estructurados (ver Tabla I del artículo) que instruyen al LLM para devolver el nuevo estado en formato JSON.

3. Contribuciones Clave

1. Propuesta de LOGOS-CA: Un marco novedoso que integra la alta expresividad del lenguaje natural en la simulación de autómatas celulares.
2. Validación Experimental: Demostración de que el marco puede ejecutar simulaciones desde reglas estrictas (incendios forestales) hasta comportamientos complejos y flexibles (Vida Artificial).
3. Análisis de Dependencia del Modelo: Identificación de cómo diferentes LLMs (GPT-4o, GPT-5, etc.) desarrollan comportamientos, estilos de lenguaje y dinámicas de evolución radicalmente diferentes bajo el mismo marco, revelando que el "motor" (el LLM) es tan crucial como las reglas iniciales.
4. Descubrimiento de Estados Simbólicos: Observación de que ciertos modelos (GPT-5-nano) inventan espontáneamente definiciones de estados simbólicos (letras como 'A', 'Q', '*') a partir de descripciones de texto, un fenómeno no presente en otros modelos.

4. Resultados Experimentales

A. Simulación de Incendios Forestales (Reglas Estrictas)

• Objetivo: Emular el modelo clásico de incendio forestal (Bak-Chen-Tang) donde las celdas son: vacío, árbol, quemándose, ceniza.
• Resultados:
  • Modelos avanzados (GPT-4o y GPT-5) replicaron la simulación perfectamente, siguiendo las reglas explícitas sin errores.
  • Modelos de gama media/baja (GPT-5-mini) mostraron una alta concordancia pero con errores ocasionales en el formato.
  • Modelos más pequeños (GPT-4o-mini, GPT-5-nano) fallaron rápidamente (a partir de $t=1$), perdiendo la coherencia del formato y las reglas.
• Conclusión: Para reglas estrictas, se requiere un LLM con alta capacidad de seguimiento de instrucciones. La temperatura del modelo también es crítica (se usó $T=1$ por limitaciones de API, lo que pudo haber afectado la precisión de los modelos más débiles).

B. Simulación de Vida Artificial (ALife) (Reglas Flexibles)

• Objetivo: Probar la flexibilidad del marco con descripciones libres. Una celda central generaba caracteres aleatorios, el resto estaba vacío.
• Diferencias entre Modelos:
  • GPT-5-nano: Desarrolló un lenguaje conciso, inventó estados simbólicos (usando letras como 'A', 'Q' o símbolos como '*' para representar estados) y mostró una dinámica temporal muy cambiante y menos estable.
  • GPT-5-mini: Generó descripciones largas, densas y formales, similares a documentos legales o especificaciones técnicas. Utilizó vocabulario visual (ej. "manchas de alta frecuencia", "fragmentos ultracortos") y estructuras lógicas complejas (causas, excepciones, condiciones necesarias). Sus estados tendieron a estabilizarse rápidamente.
• Análisis Cuantitativo:
  • Se midió el cambio en los embeddings de texto entre pasos. GPT-5-mini convergió a un estado estable rápidamente (cambio cercano a 0), mientras que GPT-5-nano mantuvo una alta actividad dinámica y variabilidad a lo largo del tiempo.
• Hallazgo Importante: La evolución del sistema no depende solo de las reglas iniciales, sino intrínsecamente de las características del LLM seleccionado.

5. Significado y Discusión

• Potencial de Aplicación: LOGOS-CA abre nuevas posibilidades para simular fenómenos donde la interacción humana, la intención o la descripción cualitativa son relevantes. Ejemplos propuestos incluyen:
  • Reacciones químicas (estados como fórmulas SMILES).
  • Fractura de materiales (descripciones de microgrietas).
  • Tráfico y economía (incorporando la intención humana en las reglas).
• Desafíos:
  • Dependencia del Modelo: En simulaciones flexibles, los resultados pueden ser un reflejo de los sesgos o estilos del LLM más que de la física del sistema simulado.
  • Costo y Escalabilidad: La simulación es costosa en tiempo y dinero, ya que requiere una llamada al LLM por celda en cada paso. Sin embargo, se sugiere que el uso de cachés KV compartidas y modelos de código abierto más eficientes podría mitigar esto.
• Conclusión Final: LOGOS-CA demuestra que el lenguaje natural puede ser un medio viable y rico para la simulación computacional. Sin embargo, los investigadores deben ser cautelosos al interpretar los resultados, considerando siempre la elección del modelo de lenguaje y el grado de flexibilidad de las reglas, ya que el "motor" de IA es un componente activo y definitorio de la simulación.

El código y los datos del estudio están disponibles públicamente en GitHub, facilitando la replicación y extensión de este enfoque.