Аннотация: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.