K状態N近傍のセル・オートマトンを作りたい

前提・実現したいこと

初めて質問させていただきます。
N状態K近傍のセルオートマトン（CA）を実装して
ラングトンが提唱したλパラメータと相互情報量のグラフを出力し、カオスの縁を確認したいと思っています。
しかし、いざコードを実行してみると、状態４あたりでλの値が後半で急に上昇してしまいます。
おそらく一般化したCAのプログラムが違うと思うのですが、どこをどう直せがいいかさっぱり分かりません。
もし、間違っているところがあれば指摘して欲しいです。よろしくお願いいたします。

該当のソースコード

Python
1import matplotlib.pyplot as plt
2import numpy as np
3import random as rnd
4
5#一次元データの系列をリストで受け取り、そのエントロピーを返す
6def calcEntropy(data):
7    dic = {}
8    for d in data:
9        if d in dic:
10            dic[d] = dic[d] + 1
11        else:
12            dic[d] = 1
13    
14    probdist = np.array(list(dic.values()), dtype = float) / float(len(data))
15    return(np.sum([- p * np.log2(p) for p in probdist]))
16
17#２種類のリストの結合エントロピーを返す
18def calcJointEntropy(x,y):
19    data = []
20    
21    for m in range(len(x)):
22        data1 = x[m]
23        data2 = y[m]
24        data.append((data1,data2))
25    
26    dic = {}
27    
28    for d in data:
29        if d in dic:
30            dic[d] = dic[d] + 1
31        else:
32            dic[d] = 1
33            
34    probdist = np.array(list(dic.values()), dtype = float) / float(len(data))
35    return(np.sum([- p * np.log2(p) for p in probdist]))
36
37#２種類のリストの相互情報量を返す
38def calcMI(x,y):
39    H_X = calcEntropy(x)
40    H_Y = calcEntropy(y)
41    H_XY = calcJointEntropy(x,y)
42    return(H_X + H_Y - H_XY)
43
44#CAのデータから各セルの相互情報量を算出し、リストとして返す
45def calcCAMIList(data):
46    MIList = []
47    
48    for l in range(len(data)):
49        List = []
50        dd = [row[l] for row in data]
51        
52        for t in range(0,len(dd)):
53            x = []
54            y = []
55            for i in range(6):
56                x.append(dd[(t+i)%len(dd)])
57                y.append(dd[(t+1+i)%len(dd)])
58            a = calcMI(x,y)
59            List.append(a)
60            
61        MIList.append(List)
62    
63    return(MIList)
64
65#全てのセルの相互情報量を平均を返す
66def calcCAMI(data):
67    d = calcCAMIList(data)
68    List = []
69    darray = np.array(d)
70    for l in range(len(darray)):
71        L = np.sum(darray[l]) / darray.shape[0]
72        List.append(L)
73        
74    List_n = np.array(List) / len(List)
75    return(np.sum(List_n))
76
77#K状態N近傍のCAを計算する
78def NK_CA(l, t, cell_i, K, N, n):
79    cell = cell_i
80    data = [cell]
81    lambda1 = (K**N - n)/K**N
82
83#K状態でのRULEの振る舞い    
84    np.random.seed(10000)
85    RULE = []
86    for i in range(K**N):
87        if np.random.rand()< lambda1:
88            r = np.random.randint(1,K)
89            RULE.append(r)
90            
91        else:RULE.append(0)
92
93#N近傍でのneighboringstateの振る舞い。N／2の切り落としでどこから見ていくのかを割り出し、一つずつ足して行きました。    
94    for t in range(t):
95        cell_next = [0 for i in range(l)]
96        for j in range(l):
97            neighboringstate = 0
98            for m in range(N):
99                neighboringstate = cell[int(j+(m-(N-1)/2)+l)%l]*(K**(N-1-m))
100            
101            cell_next[j] = RULE[neighboringstate]
102            
103        cell = cell_next
104        data.append(cell)
105        
106    return(data,lambda1)
107
108#横軸λ、縦軸相互情報量の平均としたグラフに表す
109L = 101
110T = 100
111cell_init = [0 for i in range(L)]
112cell_init[L//2] = 1
113
114lambda2 = []
115mi = []
116
117for k in range(2,5):
118    for n in range(3,5):
119        for n_n in range(1, k**n+1):
120            dataXY, lam = KN_CA(L, T, cell_init, k, n, n_n)
121            calc_mi,mi_sum = calcCAMI(dataXY)
122            lambda2.append(lam)
123            mi.append(mi_sum)
124            
125
126fig = plt.figure(figsize=(5,5))    
127ax = fig.add_subplot(1,1,1)
128ax.plot(lambda2, mi,'.')
129plt.xlabel('lambda')
130plt.ylabel('averageMI')
131plt.show()