복잡계 구조 진화 측정: 셀룰러 오토마타와 압축 기반 메트릭

초록

본 논문은 셀룰러 오토마타(CA)의 패턴 성장과 구조 복잡성을 정량화하기 위해 압축 길이와 공동 압축 점수를 활용한 메트릭을 제안한다. 압축 기반 지표가 CA 규칙을 워프럼의 클래스와 연관시키는 것을 실험으로 확인하고, 공동 압축을 통해 시간에 걸친 구조 보존을 측정한다. 또한 2차원 CA에 적용 가능한 카운트 기반 예측기를 제시하며, 제안된 메트릭이 오픈 엔드드 진화와 인공 일반 지능 설계에 유용함을 보인다.

상세 분석

이 논문은 복잡계에서 나타나는 구조적 진화를 정량화하려는 시도로, 두 가지 주요 메트릭을 중심으로 전개된다. 첫 번째는 전통적인 압축 길이(C)이며, 이는 셀룰러 오토마타의 전체 상태를 문자열로 변환한 뒤 DEFLATE(zlib) 혹은 PAQ와 같은 무손실 압축기를 적용해 얻는다. 압축 길이는 데이터의 규칙성·중복성을 반영하므로, 완전한 정돈 상태에서는 짧고, 무작위성 높은 상태에서는 길어지는 특성을 가진다. 저자들은 256개의 1차원 기본 CA(ECA)를 512 타임스텝 동안 실행하고, 각 규칙의 압축 길이를 측정해 K‑Means 클러스터링을 수행했다. 그 결과, 압축 길이가 가장 큰 규칙들은 워프럼의 Class 3(무질서)와 일치하고, 중간 길이는 Class 4(복잡한 구조)와 연관됨을 확인했다. 이는 압축 기반 메트릭이 기존의 엔트로피·라플라스 지표와 유사하게 CA의 행동 클래스를 구분할 수 있음을 시사한다.

두 번째 메트릭은 ‘공동 압축 점수(µ)’이다. 이는 두 시점 t와 t‑τ의 상태를 순차적으로 연결(concatenation)한 뒤 압축하고, 개별 압축 길이의 합과 비교해 비율을 구한다. 구조가 시간에 걸쳐 보존되면(예: 글라이더, 복제 구조) 두 상태 사이의 중복이 증가해 공동 압축 길이가 감소하고, µ 값이 1에 가까워진다. 저자들은 이를 이용해 구조 보존이 강한 규칙을 탐색했으며, 단순히 µ만으로는 정체된(정체성) 혹은 단순 이동만을 보이는 규칙이 많이 선택되는 한계를 지적한다. 따라서 압축 길이 증가량(ΔC)과 결합해 ‘복잡도 성장 + 구조 보존’ 조건을 추가함으로써, 실제로 복잡하면서도 지속적인 패턴을 생성하는 규칙을 효과적으로 추출했다.

고차원(2D) CA에 대한 적용에서는 선형 압축기의 사전 크기 제한과 공간 변환(회전·반전·이동) 문제로 공동 압축이 비효율적일 수 있음을 논의한다. 이를 보완하기 위해 카운트 기반 예측기(패턴 빈도 카운팅)와 이미지 전용 압축(PNG) 등을 제안했지만, 현재 구현은 제한적이며 향후 연구가 필요하다.

실험 결과는 1D와 2D 격자 세계 모두에서 제안된 메트릭이 ‘오픈 엔드드 진화’를 촉진하는 CA 규칙을 자동으로 탐색할 수 있음을 보여준다. 특히, 압축 길이와 공동 압축을 결합한 필터링 과정에서 Conway의 Game of Life와 유사한 ‘글라이더·스페이스십’ 구조를 재현했으며, 일부 패턴은 인공 생명 형태와 흡사한 자가 복제·성장 특성을 보였다.

전반적으로 이 논문은 압축 이론을 복잡도 측정에 적용함으로써, 기존의 엔트로피·라플라스 기반 방법보다 직관적이고 구현이 간단한 지표를 제공한다. 또한 구조 보존과 복잡도 성장이라는 두 축을 동시에 고려함으로써, 단순 무작위성 혹은 정적 패턴을 넘어 진정한 진화적 동역학을 탐색할 수 있는 기반을 마련한다. 다만, 고차원 데이터에 대한 압축 효율성, 변환 불변성, 그리고 메트릭의 이론적 한계(예: 압축기의 사전 의존성) 등에 대한 추가 검증이 필요하다.