🌀 nonlinear sciences

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

Dit paper introduceert LOGOS-CA, een celautomaat die natuurlijke taal gebruikt voor toestanden en regels via een LLM, waardoor complexere simulaties mogelijk worden die verder gaan dan traditionele numerieke modellen.

Oorspronkelijke auteurs: Keishu Utimula

Gepubliceerd 2026-02-12

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Keishu Utimula

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een gigantisch bord met duizenden kleine tegels hebt. Dit is een Cellulair Automaat. In de oude wereld van computers waren deze tegels heel simpel: ze waren ofwel "aan" (1) of "uit" (0), of misschien een getal. Ze volgden strikte, saaie regels, zoals "als je buren branden, word jij ook brand".

Nu, in dit nieuwe onderzoek genaamd LOGOS-CA, hebben de onderzoekers iets heel gekkends gedaan: ze hebben de tegels niet meer laten praten in getallen, maar in menselijke taal.

Hier is hoe het werkt, vertaald naar alledaags Nederlands:

1. Het Bord dat praat (De Tegels)

In plaats van dat een tegel zegt: "Ik ben nu 'brand'", zegt deze tegel nu: "Ik ben een boom die vlam vatte omdat mijn buurman in brand stond."
Elke tegel heeft een eigen verhaal. Ze beschrijven hun eigen toestand en hun regels in volledige zinnen.

2. De Super-Detector (De AI)

Om te beslissen wat er de volgende seconde gebeurt, kijken de tegels niet naar een simpele formule. Nee, ze sturen een berichtje naar een Super-Detector (een Large Language Model, zoals de slimme AI's die we vandaag kennen).

Het scenario: Een tegel zegt: "Kijk, mijn buren zijn allemaal in brand, maar ik ben nog een groene boom. Wat moet ik doen?"
De AI: De AI leest dit, denkt na over wat logisch is in de echte wereld, en antwoordt: "Oké, jij wordt nu ook een brandende boom."

Het bord is dus een gigantisch gesprek tussen tegels, geleid door een slimme AI.

3. De Twee Experimenten: Strikte Regels vs. Vrije Kunst

De onderzoekers hebben dit systeem op twee manieren getest, als een soort "schoolvoorbeeld" en "vrije kunst".

Test 1: Het Bosbrand-Spel (De Strikte Regels)

Stel je voor dat je een bord hebt met bomen. Je steekt één boom in brand. In de echte natuur verspreidt vuur zich snel.

Wat gebeurde er? De slimste AI's (zoals GPT-4o en GPT-5) deden het perfect. Ze hielden zich strikt aan de regels: "Als een boom naast vuur staat, wordt hij vuur." Het bord zag eruit als een echte bosbrand.
Het probleem: De wat minder slimme AI's (zoals GPT-4o-mini) werden verward. Ze begonnen halverwege te fantaseren. In plaats van "Ik word brand", schreven ze soms onzin of veranderden ze de regels halverwege. Het bord werd een chaos.
De les: Als je strikte regels nodig hebt (zoals in de natuurkunde), moet je een heel slimme AI kiezen, anders begint het systeem te hallucineren.

Test 2: Het "Leven" Spel (De Vrije Kunst)

Hier gaven ze de AI meer vrijheid. Er waren geen vaste regels. De tegels mochten zelf bedenken wat er gebeurt.

Wat gebeurde er? Dit werd heel interessant!
- De GPT-5-nano AI begon te spelen met symbolen. Ze bedachten hun eigen alfabet. Tegels begonnen te zeggen: "Ik ben nu de letter 'A' en ik verspreid me naar rechts." Het was alsof ze een eigen geheime taal ontwikkelden.
- De GPT-5-mini AI werd juist heel creatief en beschrijvend. Ze gebruikten woorden als "fijne vlekjes", "versiering" en "glinsterend". Ze beschreven de tegels niet als objecten, maar als kunstwerken met textuur en sfeer.
De les: Als je de AI vrij laat, wordt het resultaat een spiegel van de AI zelf. De ene AI wordt een wiskundige met symbolen, de andere een dichter met mooie woorden.

Waarom is dit belangrijk? (De Metafoor)

Vroeger waren computersimulaties als een rekenmachine: heel snel, heel precies, maar heel saai en star. Je kon alleen rekenen met getallen.

LOGOS-CA is als een toneelstuk.

De tegels zijn acteurs.
De AI is de regisseur.
De regels zijn het script, maar het script is geschreven in menselijke taal.

Dit betekent dat we in de toekomst misschien simulaties kunnen maken die niet alleen rekenen, maar ook begrijpen.

Stel je voor: Een simulatie van een stad. In plaats van dat een auto gewoon een puntje is dat beweegt, zegt de auto: "Ik ben moe en wil niet harder rijden omdat het regent."
Of een simulatie van chemie: Een molecuul zegt: "Ik wil niet reageren met die buurman omdat hij te druk is."

Samenvattend

Deze paper zegt eigenlijk: "We kunnen computersimulaties veel menselijker maken door ze te laten praten in plaats van te rekenen."

Het is een krachtig idee, maar het heeft een valkuil: je moet een heel slimme regisseur (AI) hebben. Als de regisseur niet goed luistert, verandert je serieuze simulatie van een bosbrand in een surrealistisch toneelstuk waar niemand de regels meer begrijpt.

Het is alsof je een heel complex spel speelt met een vriend die soms heel slim is, maar soms ook begint te dromen. Als je dat weet, kun je er prachtige dingen mee doen, maar je moet altijd goed opletten wat er gebeurt!

Titel: LOGOS-CA: Een Cellulair Automaton met Natuurlijke Taal als Toestand en Regel

Auteur: Keishu Utimula
Datum: 12 februari 2026

1. Probleemstelling en Context

Traditionele cellulaire automaten (CA) zijn discrete computationele modellen waarbij celtoestanden doorgaans worden uitgedrukt als gehele getallen en update-regels als vaste programmeercode. Hoewel deze modellen succesvol zijn gebruikt voor simulaties van dynamische systemen (zoals vloeistofstromen, bosbranden en verkeersdrukte), zijn ze beperkt door hun statische en numerieke aard. Ze missen de nuance en expressieve kracht van menselijke taal.

Aan de andere kant hebben Large Language Models (LLMs), getraind op enorme hoeveelheden tekst, aangetoond dat ze complexe redeneringen en "common sense" kunnen hanteren (zoals bewezen door hun prestaties op de Winograd Schema Challenge). Dit suggereert dat menselijke taal een significant deel van de wereld met grote nuance beschrijft.

De kernvraag van dit onderzoek is: Wat gebeurt er als we zowel de toestanden van cellen als hun update-regels in natuurlijke taal uitdrukken en de updates delegeren aan een LLM? Dit zou het mogelijk maken om simulaties uit te voeren die verder gaan dan strikt numerieke beperkingen, waardoor een rijker platform voor simulatie ontstaat.

2. Methodologie: Het LOGOS-CA Framework

De auteurs introduceren LOGOS-CA (Language Oriented Grid Of Statements – Cellular Automaton), een raamwerk dat cellulaire automaten combineert met LLMs.

Architectuur: Het systeem bestaat uit een tweedimensionaal rooster van cellen. Elke cel bevat een natuurlijke taalbeschrijving van zijn huidige staat.
Update-mechanisme: In plaats van een deterministische code, wordt de volgende staat van een cel bepaald door een LLM. De LLM ontvangt een prompt die bestaat uit:
1. De huidige beschrijving van de doelcel.
2. De beschrijvingen van de Moore-omgeving (de 8 omliggende cellen).
Output: De LLM genereert een nieuwe tekstuele beschrijving voor de doelcel, die als de nieuwe staat dient voor de volgende tijdstap.
Flexibiliteit: Een belangrijk kenmerk is dat het systeem niet hoeft te worden herschreven voor verschillende simulaties; alleen de initiële celbeschrijvingen hoeven te worden aangepast.

3. Experimenten en Resultaten

De auteurs hebben twee hoofdexperimenten uitgevoerd om de capaciteiten van LOGOS-CA te valideren: een simpele regelgebaseerde simulatie en een vrijere "Artificial Life" (ALife) simulatie.

A. Bosbrand-simulatie (Strict Rules)

Opzet: Een klassiek bosbrandmodel werd nagebootst met toestanden: leeg, boom, brandend, as. De regels waren strikt (bijv. "een brandende cel wordt as").
Resultaten:
- GPT-4o en GPT-5 emuleerden de simulatie perfect en volgden de regels nauwkeurig.
- GPT-5-mini toonde over het algemeen goede overeenkomst, maar produceerde af en toe ongeldige outputs.
- GPT-4o-mini en GPT-5-nano faalden vroeg in de simulatie (reeds bij stap $t=1$ ). Hun output stortte in, waarbij de formatstructuur en de logica verloren gingen.
Conclusie: Voor strikt regelgebaseerde simulaties zijn krachtige LLMs vereist. Kleinere modellen hebben moeite om consistent de instructies te volgen zonder "hallucinaties" of formatfouten.

B. Artificial Life (ALife) (Flexible Rules)

Opzet: Een simulatie met hogere vrijheid, waarbij cellen in het midden een beschrijving kregen om "willekeurige tekens" te genereren, terwijl andere cellen leeg waren.
Vergelijking GPT-5-nano vs. GPT-5-mini:
- GPT-5-nano: Toonde dynamisch gedrag met vage clustergrenzen. Het model ontwikkelde spontaan symbolische toestandsdefinities (bijv. het gebruik van letters als 'A', 'Q' of '*' om toestanden te coderen). De beschrijvingen waren kort en bondig.
- GPT-5-mini: Toonde een veel stabielere evolutie die vroeg convergeerde naar een statische staat. De beschrijvingen waren extreem lang, formeel en leken op juridische documenten of specificaties. Het gebruikte complexe zinsconstructies met causale redeneringen ("unanimously occupied", "overwrite-resistant") en beschreef visuele kenmerken (zoals "high-frequency speckle" of "ornamentation") in plaats van alleen symbolen.
Analyse: De resultaten tonen aan dat de keuze van het LLM-model de uitkomst van de simulatie fundamenteel beïnvloedt, vooral bij minder strikte regels. GPT-5-nano creëerde een eigen "taal" van symbolen, terwijl GPT-5-mini een zeer gedetailleerde, causale wereldbouw creëerde.

4. Belangrijkste Bijdragen

Nieuw Paradigma: Introductie van LOGOS-CA als een raamwerk waarbij natuurlijke taal de basis vormt voor zowel toestanden als regels in cellulaire automaten.
Validatie van Expressiviteit: Aantonen dat LLMs in staat zijn om complexe interacties te simuleren die moeilijk in traditionele code te definiëren zijn, maar wel natuurlijk in taal uit te drukken.
Modelafhankelijkheid: Een kritische bevinding is dat de uitkomst van LOGOS-CA sterk afhankelijk is van het specifieke LLM-model. Verschillen in "stijl" (kort vs. formeel, symbolisch vs. visueel) leiden tot fundamenteel verschillende simulatiedynamieken.
Symbolische Emergentie: Waarneming dat LLMs spontaan symbolische toestanden kunnen ontwikkelen (zoals het gebruik van letters als staten) zonder expliciete instructie, wat een vorm van "emergente taal" binnen de simulatie suggereert.

5. Significatie en Toekomstperspectief

LOGOS-CA opent nieuwe wegen voor simulaties in diverse domeinen:

Wetenschap: Simulatie van chemische reacties (waarbij toestanden SMILES-notaties kunnen zijn) of materiaalfysica (microscopische scheuren beschreven als tekst).
Sociale Wetenschappen: Modellering van menselijk gedrag, verkeersdrukte of economische activiteiten waarbij menselijke intenties en nuance een rol spelen.

Uitdagingen:

Kosten en Schaalbaarheid: De simulaties zijn duur en tijdrovend omdat elke cel in elke stap een LLM-aanroep vereist. De kosten liepen op tot enkele tientallen dollars voor de experimenten.
Betrouwbaarheid: Bij flexibele regels is het moeilijk te onderscheiden of een resultaat voortkomt uit de dynamiek van het systeem of uit de inherente bias van het gekozen LLM-model.

Conclusie:
LOGOS-CA bewijst dat het combineren van natuurlijke taal en cellulaire automaten mogelijk is en rijkere, meer expressieve simulaties toelaat. Echter, voor betrouwbare resultaten is zorgvuldige selectie van het LLM-model en kritische interpretatie van de uitkomsten essentieel, vooral wanneer de regels niet strikt zijn gedefinieerd. De toekomst ligt in het gebruik van open-source modellen om kosten te verlagen en het optimaliseren van prompts voor consistentie.