Cellular

 automata,  entropy  and  

box-­‐coun4ng  dimension  
 Cellular  Automata  
Cellular  automata  (CA)  models  epitomize  the  idea  
that  simple  rules  can  generate  complex  pa=erns.    
A  CA  consists  of  an  array  of  cells  each  with  an  
integer  ’state’.    
On  each  4me  step  a  local  update  rule  is  applied  to  
the  cells.  The  update  rule  defines  how  the  a  
par4cular  cell  will  update  its  state  as  a  funcion  of  
its  neighbours  state.    
The  CA  is  run  over  4me  and  the  evolu4on  of  the  
state  is  observed.  
 Elementary  cellular  automata  
The  elementary  one  dimensional  CA  is  defined  by  
how  three  cells  influence  a  single  cell.  For  
example,  
 
 
 
The  rules  can  be  expressed  in  binary  form  where  a  
0  represents  that  a  par4cular  configura4on  gives  
a  white  output  and  a  1  denotes  a  black  output.    
The  above  rule  in  binary  is  00011110.  Conver4ng  
this  binary  number  to  base-­‐10,  we  call  this  rule  
30.    
We  thus  have  a  set  of  different  rules  for  
elementary  cellular  automata  from  0  up  to  255.  
 Different  rules  
Elementary  CA  simulators  are  easily  found  on  
the  internet.    
For  example,  a  NetLogo  implementa4on  can  be  
found  at    
h=p://[Link]/netlogo/  
 
We  will  look  at  rules  254,  250,  150,  90,  110,  30  
and  193  in  this  simulator.  
 Classifying  elementary  CA  
An  empirical  observa4on  is  that  cellular  automata  can  be  classied  
according  to  the  complexity  and  informa4on  produced  by  the  
behavior  of  the  pa=ern  they  produce:  
 
Class  1  :  Fixed;  all  cells  converge  to  a  constant  black  or  white  set  
Class  2  :  Periodic;  repeats  the  same  pa=ern,  like  a  loop  
Class  3  :  Chao4c;  pseudo-­‐random  
Class  4  :  Complex  local  structures;  exhibits  behaviors  of  both  class  2  
and  class  3;  with  long  lived  hard  to  classify  structure.  
 
This  classica4on  has  a  bit  of  a  feeling  of  saying  there  are  three  types  
we  roughly  understand  plus  one  (class  4)  we  don't.  In  par4cular,  
classes  1  to  3  can  be  charcterised  by  Entropy  and  the  Lyapunov  
exponent,  this  is  less  true  of  class  4.    
 Game  of  Life  
Cellular  automata  can  be  extended  to  have  longer  range  interac4ons,  e.g.  the  
ve  nearest  neighbours  determine  the  new  state  of  the  cell.  They  can  also  
be  extended  to  two  or  more  dimensions.  
 
A  par4cularly  well  studied  2D  cellular  automaton  is  called  The  Game  of  Life.  In  
this  CA,  each  cell  checks  the  state  of  itself  and  its  eight  surrounding  
neighbors  and  then  sets  itself  to  either  alive  or  dead  (hence  the  name  
'Game  of  Life').  If  there  are  less  than  two  alive  neighbors,  then  the  cell  
dies.  If  there  are  more  than  three  alive  neighbors,  the  cell  dies.  If  there  are  
2  alive  neighbors,  the  cell  remains  in  the  state  it  is  in.  If  there  are  exactly  
three  alive  neighbors,  the  cell  becomes  alive.  This  is  process  is  con4nued  
indenitely.  
 
Game  of  Life  is  also  available  at  the  NetLogo  site.    
 
Stable  shapes,  gliders  etc…  
There  are  many  interes4ng  pa=erns  generated  by  this  simple  
rule.  One  of  these  is  the  glider.  This  set  up  travels  in  the  same  
direc4on  as  long  as  it  doesn't  crash  with  anything  else.  
Another  pictured  below  is  a  glider  gun,  which  creates  a  line  of  
gliders.  
 
 Complexity  Explorer  

A"er  this  lecture  watch  videos:  

 
6.1  Introduc4on    
6.2  Game  of  Life    
6.3  Elementary  Cellular  Automata    
6.4  Cellular  Automata  as  Dynamical  Systems    
 
 
 
 
 Measuring  complexity  
•  The  pa=erns  arising  from  cellular  automata  
give  us  a  lot  to  think  about.  
•  We  see  a  very  simple  set  of  rules  generate  
very  complex  pa=erns.  Moreover,  many  of  
these  pa=erns  are  life-­‐like.  The  problem  is  
dening  what  we  mean  by  life-­‐like  and  
quan4fying  this  idea.  
•  Doing  this  is  by  no  means  a  completed  scien4c  
ac4vity.    
 Kolmogorov  Complexity  
One  of  the  first  defini4ons  of  complexity  of  a  string  of  1's  and  0's  was  
proposed  by  Kolmogorov  in  the  1960s.  This  string  may,  for  example,  
be  the  output  of  a  cellular  automata.    
 
The  basic  idea  is  that  the  length  of  the  string's  shortest  descrip4on  in  
terms  of  a  computer  program  is  its  complexity.  
   
For  example,  an  array  of  0s  (i.e.  000[Link])  has  low  complexity,  
because  we  can  write  a  program  that  says  'keep  wri4ng  0s'.  All  
periodic  arrays  have  low  complexity,  since  we  can  write  a  program  
that  says,  for  example,  "write  0110  ten  thousand  4mes".  
Entropy  
 Kolmogorov  Complexity  
By  Kolmogorov's  deni4on,  the  strings  which  are  most  complex  are  
those  which  are  most  difficult  to  compact  without  losing  
informa4on.  We  denote  Kolmogorov  complexity  with  K.  
 
This  returns  us  to  our  second  example  of  entropy.  Imagine  we  can  
divide  our  original  string  in  to  a  finite  set  of  components  and  label  
these  components  A,  B,  C  etc.  (example  on  the  board).  
 
We  can  now  replace  A,  B,  C  etc.  with  binary  strings  1,01,001,0001,  …  
with  the  most  common  strings  receiving  the  shortest  encoding.  
 
S  is  the  set  of  all  possible  le=ers  and  ps  be  the  probability  that  le=er  s  
appears  then  (by  the  argument  in  example  2  of  entropy)  the  length  
of  this  coding  with  be  at  most  its  Shannon  Entropy  plus  1.  

H = −∑ ps log 2 ( ps ) +1
s∈S
 Kolmogorov  Complexity  
•  Random  strings  then  have  the  highest  
complexity!  
•  This  goes  against  our  intu4on  of  what  we  
mean  by  complexity.  
•  There  are  however  examples  of  strings  with  
high  Entropy  but  low  Kolmogorov  complexity  
(for  example  middle  line  of  rule  30).  
•  Maybe  H-­‐K  is  a  good  measure  of  complexity?    
•  But  then  finding  K  for  a  given  string  is  difficult!  
 Universal  Compu4ng  
•  One  possible  solu4on  to  defining  complexity  in  
cellular  automata  is  by  saying  that  a  CA  rule  is  
complex  if  it  it  can  act  as  a  universal  compu4ng  
machine.    
•  A  universal  compu4ng  machine  (or  universal  
Turing  machine)  is  a  computer  program  that  can  
simulate  any  other  arbitrary  computer  program  
to  produce  the  input  that  program  would  
produce.    
•  The  main  point  comes  down  to  whether  one  can  
construct  logical  gates  with  a  par4cular  CA  rule.  
 Rule  110  
•  It  turns  out  that  both  the  'Game  of  Life'  and  
even  rule  110  from  an  elementary  CA  fullfil  
the  criteria  for  universal  computa4on.  
•  Rule  110  is,  
 
 Rule  110  
The  pictures  below  give  some  feeling  for  how  
structures  in  rule  110  can  interact  to  build  a  
compu4ng  device.  They  show  a  right  moving,  
a  lej  moving,and  a  sta4onary  strucuture  
 
 Rule  110  
When  interac4ng,  depending  on  how  they  meet,  they  can  
either  pass  through  each  other  or  cause  the  forma4on  
of  the  sta4onary  shape.  
 
 
 
 
 
 
Pukng  these  sorts  of  shapes  together  allow  a  computer  
program  to  be  executed,  although  the  complexity  of  
the  program  itself  is  likely  to  be  enormous.  
 Universal  Compu4ng  
•  Although  interes4ng,  this  classica4on  of  CA  in  
terms  of  how  much  computa4on  they  can  do  
has  not  really  shed  much  light  on  the  ques4on  
of  how  to  denfine  and  measure  complexity.  
 Complexity  Explorer  

A"er  this  lecture  watch  videos:  

 
4.3  Entropy  and  sta4s4cal  mechanics  
4.4  Shannon  Informa4on  
6.5  Cellular  Automata  as  Computers    
 
 
 
 
 Box  coun4ng  dimension  
A  property  of  the  pa=erns  made  by  "complex"  CA  is  that  they  
appear  to  repeat  on  very  dierent  scales.  
 
 For  example,  rule  90  gives  
 
 Box  coun4ng  dimension  
This  structure  is  iden4cal  to  a  geometric  shape  known  as  
Sierpinski  triangle,  which  can  also  be  constructed  by  the  
following  itera4on.  

 
The  Sierpinksi  triangle  is  one  example  of  a  fractal:  "a  rough  or  
fragmented  geometric  shape  that  can  be  split  into  parts,  each  
of  which  is  (at  least  approximately)  a  reduced-­‐size  copy  of  the  
whole,"  (Barnsley,  Michael  F.,  Fractals  Everywhere  1993).  
Box  coun4ng  dimension  
 Box  coun4ng  dimension  
An  important  property  of  the  Sierpinksi  triangle  and  fractals  in  general  
is  self-­‐similarity.  As  we  zoom  in  on  the  Sierpinski  triangle  we  see  
another  iden4cal  triangle  and  so  on  forever.    
 
For  the  Sierpinski  triangle  constructed  using  the  itera4ve  method,  this  
is  a  consequence  of  the  way  we  constructed  it.  For  the  cellular  
automata  construc4on  we  did  not  directly  encode  the  self-­‐
similarity  in  the  resul4ng  output,  but  we  can  now  use  that  self-­‐
similarity  to  analyse  the  structure.  
 
The  main  tool  for  categorising  fractals  is  their  box-­‐coun4ng  dimension.  
The  basic  idea  is  this.  We  cover  an  object  with  square  boxes  of  
some  par4cular  size  and  we  ask  what  is  the  number  of  boxes  
needed  to  cover  all  the  black  parts  of  the  object.  
Box  coun4ng  dimension  
Box  coun4ng  dimension  
Fractals  in  Nature  
 Complexity  Explorer  

A"er  this  lecture  watch  videos:  

 
3.2  The  Koch  curve  
3.3  Fractal  dimension  
3.4  Examples  of  fractal  dimension  
3.6  Box  xoun4ng  dimension