자연어 기반 셀룰러 오토마톤 LOGOS CA

초록

본 논문은 셀의 상태와 전이 규칙을 자연어로 기술하고, 대형 언어 모델(LLM)을 이용해 셀 업데이트를 수행하는 새로운 셀룰러 오토마톤 프레임워크 LOGOS-CA를 제안한다. 간단한 숲불 시뮬레이션과 인공생명(Alife) 실험을 통해 모델의 가능성을 검증하고, LLM의 정확도와 온도 설정이 시뮬레이션 품질에 미치는 영향을 논의한다.

상세 분석

LOGOS-CA는 전통적인 셀룰러 오토마톤이 정수형 혹은 실수형 상태와 고정된 코드 기반 규칙에 의존하던 점을 탈피한다. 셀의 현재 상태와 이웃 8칸(모어 이웃)의 설명을 자연어 문자열로 구성하고, 이를 사전 정의된 시스템 프롬프트와 함께 LLM에 전달한다. LLM은 JSON 형태의 응답을 반환하도록 설계돼, “next_description” 필드에 다음 단계의 자연어 상태를 삽입한다. 이 과정은 알고리즘 1·2에 명시된 바와 같이 전체 격자를 순회하며 각 셀에 대해 독립적인 호출을 수행한다.

실험에서는 GPT‑4o, GPT‑5 등 최신 모델을 온도 1(높은 무작위성)로 실행했으며, 온도 0이 규칙 준수에 유리함을 지적한다. 숲불 시뮬레이션에서는 상태가 “empty, tree, burning, ash” 네 가지로 제한된 전통적 규칙을 자연어 템플릿으로 변환했다. 결과는 GPT‑4o와 GPT‑5가 레퍼런스 시뮬레이션을 거의 완벽히 재현한 반면, GPT‑4o‑mini와 GPT‑5‑nano는 초기에 형식이 붕괴돼 유효하지 않은 출력을 생성했다. 이는 모델 규모와 프롬프트 해석 능력 차이를 보여준다.

인공생명 실험에서는 셀마다 무작위 문자와 빈 공간을 기술한 두 종류의 템플릿을 배치하고, 시간에 따라 생성된 텍스트 임베딩을 PCA와 K‑Means 클러스터링으로 시각화했다. GPT‑5‑mini는 비교적 안정적인 클러스터 경계를 형성하고, 20 단계 이후 변화량이 급격히 감소해 정착 상태에 도달했다. 반면 GPT‑5‑nano는 변화량이 지속적으로 높아 복잡하고 동적인 패턴을 유지했다. 이는 LLM이 생성하는 텍스트의 의미적 다양성과 일관성이 시뮬레이션 동역학에 직접적인 영향을 미침을 시사한다.

핵심 통찰은 다음과 같다. 첫째, 자연어를 상태와 규칙으로 사용하는 것이 이론적으로는 가능하지만, 실제 시뮬레이션의 신뢰성은 LLM의 일관된 출력 능력에 크게 좌우된다. 둘째, 온도 파라미터와 프롬프트 설계가 규칙 준수와 창의적 변이 사이의 트레이드오프를 조절한다. 셋째, 텍스트 임베딩을 활용한 시각화는 전통적인 셀룰러 오토마톤에서는 관찰하기 어려운 고차원 의미 구조를 드러내며, 인공생명 연구에 새로운 분석 도구가 될 수 있다. 마지막으로, 현재 LLM의 한계(형식 붕괴, 무작위성)에도 불구하고, LOGOS-CA는 시뮬레이션, 교육, 예술 등 다양한 분야에서 언어 기반 인터랙티브 모델링을 구현할 잠재력을 제공한다.