← 细胞自动机第一原理

构建你的第一个自动机

上一章把细胞自动机化约为四件事:

空间
状态
邻域
规则

现在我们要构建一个。

不是框架。

不是库。

一个更新步。

这就足以暴露全部机制。


从一维世界开始

创建一排细胞,打开中间的细胞:

import numpy as np

width = 41
state = np.zeros(width, dtype=np.uint8)
state[width // 2] = 1

print(state)

概念上:

....................#....................

我们用 0 表示空细胞,用 1 表示活细胞。


定义一条局部规则

假设一个细胞在它邻域中的三个细胞里恰好有一个活着时就变为活跃。

这立刻就能理解——同时它也是初级目录中的真正一员。数一数恰好有一个活细胞的邻域(100、010、001),它们的输出位于比特位 4、2、1,因此这条规则就是 Rule 22(16 + 4 + 2 = 22,二进制为 00010110)。下一章将完整解释编号方案;这里只需知道:我们第一条规则已经有了一个名称和一个地址。

def local_rule(left, centre, right):
    return int(left + centre + right == 1)

现在把它应用到整行上:

def step(state, rule):
    next_state = np.zeros_like(state)

    for i in range(len(state)):
        left = state[(i - 1) % len(state)]
        centre = state[i]
        right = state[(i + 1) % len(state)]

        next_state[i] = rule(left, centre, right)

    return next_state

我们从一开始就以参数的形式把规则传进去。引擎负责邻域与推进时间;规则只负责局部转移。一旦我们想探索成百上千条规则,这个分离就会收到回报。

取模运算给了我们周期边界:

左边缘 <----------------> 右边缘

世界像一只环一样闭合。


运行若干代

def run(initial_state, rule, generations):
    history = [initial_state.copy()]
    state = initial_state.copy()

    for _ in range(generations - 1):
        state = step(state, rule)
        history.append(state.copy())

    return np.array(history)

然后:

history = run(state, local_rule, generations=25)

结果是一个二维数组:

rows    = time
columns = space

这是 1D 细胞自动机的有用技巧之一。

一个一维系统随时间演化,自然就成了一幅二维图像。每一行是一份完整的配置;把行堆叠起来就得到这次运行的时空图。


可视化历史

import matplotlib.pyplot as plt

plt.figure(figsize=(10, 6))
plt.imshow(history, cmap="binary", interpolation="nearest")
plt.xlabel("cell")
plt.ylabel("generation")
plt.show()

你现在已经构建了一个细胞自动机。

全部运行时就是:

for every generation:
    for every cell:
        read neighborhood
        apply rule
        write next state

为什么我们需要两份世界状态

一种常见实现错误是在当前行上原地更新。

例如:

for i in range(len(state)):
    state[i] = local_rule(...)

这改变了模拟的意义。

循环里靠后的细胞会观察到已经更新过的邻居,而靠前的细胞却观察到旧邻居——循环静默地把两个时间步混在了一起:

    flowchart LR
    A[cell i 在时间 t 读取邻居] --> B[cell i 写入时间 t+1]
    B --> C[cell i+1 读取:左邻已到 t+1,右邻仍停在 t]
    C --> D[混合时间的邻域沿整行传播下去]
  

我们真正需要的是:

当前代
        |
        v
计算所有更新
        |
        v
下一代

只有在整个一代计算完之后,我们才用新一代替换当前状态。

这就是同步更新:每个细胞都同时从时间 t 移动到时间 t + 1,这是经典假设,也正是它让整次运行可复现。之后我们会故意试验异步更新——它们是正当的建模选择、有其自身的文献——但它们应是明确的模型决定,而不是偶然引入的 bug。


边界条件是模型的一部分

我们的取模索引创建了周期边界:整行像一道环,离开某一边的图案会从另一边重新进入。

我们也可以使用固定的零:

def get_cell(state, i):
    if i < 0 or i >= len(state):
        return 0
    return state[i]

或者反射边界,或者事实上无限的稀疏世界。

这些选择 matters,并会贯穿全书反复出现——本章边界菜单,汇总于此:

边界 边界外的细胞读作 最适用
周期 对边(环/环面) 比较规则、不受边缘效应影响
固定 规定的状态(通常为 0) 有真实边缘的地图:森林、洞穴
反射 内部值的镜像 有界物理量
无限/稀疏 在活动到来前未定义 单个滑翔机、局部种子

更新规则不是整个模型。几何结构与边界行为也决定着哪些模式是可能的。周期边界移除了边缘,却引入了不同的 artifact:在一条小环上,一个扩散中的图案会绕动并与自身相撞,产生在更大或无限格点上不会出现的有限尺寸效应。每个实验里都要指明边界,并且只在一个宽度下得到的结论值得怀疑。


把机制与规则分开

我们的 step 已经把两件事区分开了:

模拟引擎
      |
      +--> 邻域查找
      +--> 推进时间
      +--> 边界行为

规则
      |
      +--> 只做局部转移

因为规则只是三个比特的函数,要换成一个新的自动机,就要写一个新的三比特函数——其他什么都不变。下一章会把这个观察变成完整编码:把每条初级规则当作一个整数。


紧凑的文本渲染器

在画图之前,先有一份极小的文本视图很有用:

def render_row(state):
    return "".join("#" if cell else "." for cell in state)

state = np.zeros(41, dtype=np.uint8)
state[len(state) // 2] = 1

for _ in range(20):
    print(render_row(state))
    state = step(state, local_rule)

文本输出在调试时很好,因为它把可视化栈从问题里拿掉。

如果一条规则表现异常,我们可以检视确切的细胞。


我们建造了什么

我们的自动机现在有一个可复用的执行循环:

current = initial

for generation in range(n):
    observe(current)
    current = step(current, rule)

这个 shape 将贯穿整本书几乎全程。

即使 state 是带有多通道的张量,规则变成神经网络,概念循环仍然不变:

观察局部状态
应用共享转移
推进时间

在下一章里,我们将把手写的规则换成一个更有力的想法:把完整规则表编码为单个整数。

这样就给了我们所有 256 条初级细胞自动机供免费——包括 Rule 22,我们已经在运行它。


Research

  • Martinez, G. J., Adamatzky, A., Hoffmann, R., Deserable, D. & Zelinka, I. — On patterns and dynamics of Rule 22 cellular automaton. 确认了本章现在就 stating 的内容:「恰好一个活细胞」规则就是 Rule 22,一条三输入异或,其时空动学显示非平凡、准混沌的模式。如果你想看看单条初级规则能支撑多少分析——平均场理论、吸引子、de Bruijn 图与 subset 图、滤波器——它就很有用。 https://arxiv.org/abs/2005.01480

  • Zenil, H. & Martinez, G. J. — Cellular Automata (Scholarpedia). 为本章两个 bearing 的实现 claim 提供根据:经典自动机以同步方式并行更新,并且有限模拟必须指明边界条件(周期、固定、反射、吸收、开放),因为这个选择会影响传播与长期行为。经过同行评审且持续维护。 http://www.scholarpedia.org/article/Cellular_automata

  • Berto, F. & Tagliabue, J. — Cellular Automata (Stanford Encyclopedia of Philosophy). 从另一面支持 synchrony 的讨论:同步更新是通常假设、不是定律——转移规则可以是随机的,更新也可以是异步的(Ingerson & Buvel 1984)。在把异步调度当作 bug 之前就读它,而非把它们视作模型。 https://plato.stanford.edu/entries/cellular-automata/

  • Wolfram, S. — Statistical Mechanics of Cellular Automata (Reviews of Modern Physics 55, 1983). 本章所用 space-time 图约定的源头(把连续配置堆叠成 image 行),以及下一章要编码的规则空间系统性研究的源头。值得 skimming 它如何在 classify 之前 set up 一笔 run。 https://doi.org/10.1103/RevModPhys.55.601