Department of Computational Mathematics and Cybernetics
факультет вычислительной математики и кибернетики
Cand. Sci. (Phys.-Math.), senior researcher, Department of Computational Mathematics and Cybernetics
кандидат физико-математических наук, старший научный сотрудник, факультет вычислительной математики и кибернетики
The paper is devoted to the development and study of cellular automata approximation methods using machine learning models. Cellular automata are models used to study the dynamics of complex systems based on simple interaction rules. In recent years, machine learning models have become powerful tools in the field of data processing. The paper examines approaches to predicting cellular automata rules using machine learning models, considers their advantages and limitations, and proposes metrics for assessing the quality of cellular automata state predictions and the dependence of cellular automata state prediction on the number of cellular automata rule models entering the input for training. The study aims to understand how machine learning models can be used to analyze and model complex systems based on cellular automata, as well as possible prospects for the development of this approach. Based on the proposed metrics, a comparative analysis of the effectiveness of various machine learning models in predicting cellular automata rules is carried out.
Работа посвящена разработке и исследованию методов аппроксимации клеточных автоматов с применением моделей машинного обучения. Клеточные автоматы – это модели, используемые для изучения динамики сложных систем на основе простых правил взаимодействия. В последние годы модели машинного обучения стали мощными инструментами в области обработки данных. В работе исследуются подходы к предсказанию правил клеточных автоматов с использованием моделей машинного обучения, рассматриваются их преимущества и ограничения, а также предлагаются метрики для оценки качества предсказаний состояний клеточных автоматов и зависимость предсказания состояний клеточных автоматов в зависимости от числа поступающих на вход для обучения моделей правил клеточных автоматов. Исследование направлено на понимание того, как модели машинного обучения могут быть использованы для анализа и моделирования сложных систем на основе клеточных автоматов, а также на возможные перспективы развития данного подхода. На основе предложенных метрик проводится сравнительный анализ эффективности различных моделей машинного обучения в предсказании правил клеточных автоматов.