The initial condition as a decaying forcing: ageing and Lyapunov exponents of fractional maps

في دراسة الأنظمة المعقدة، يبحث العلماء غالبًا عن قواعد بسيطة تحكم كيفية تغير الأشياء بمرور الوقت. إحدى هذه القواعد هي فكرة "الخريطة" (map)، وهي وصفة رياضية تخبرك أين سيكون النظام في الخطوة التالية بناءً على مكانه الآن. في النسخ الأكثر بساطة، يعتمد المستقبل فقط على الحاضر. ولكن العديد من أنظمة العالم الحقيقي، من تدفق السوائل إلى انتشار الأمراض، تمتلك ذاكرة. مستقبلها لا يعتمد فقط على مكانها الآن، بل على أين كانت في الماضي. عندما تتلاشى هذه الذاكرة ببطء، مثل صدى يتلاشى ويستمر لفترة طويلة، يوصف النظام باستخدام الرياضيات "الكسرية" (fractional). وتعد هذه الأنظمة صعبة الدراسة بشكل ملحوظ لأن ذاكرتها الطويلة تعني أن حساب الخطوة التالية يتطلب معرفة التاريخ الكامل للنظام، مما يجعلها مكلفة حاسوبيًا وغامضة رياضيًا، ويترك العلماء في حيرة من أمرهم حول كيفية قياس فوضاها أو التنبؤ بسلوكها.

لقد وجد باحث يدعى ستيفانو فازينو الآن طريقة لاختراق هذا التعقيد، كاشفًا أن هذه الأنظمة ذات الذاكرة يمكن فهمها كآلات بسيطة ومكتفية بذاتها. من خلال إعادة تصور التاريخ الطويل للنظام ليس كقائمة من الأحداث الماضية، بل كمجموعة من "الأنماط" (modes) المتلاشية، أظهر فازينو أن هذه الخرائط الكسرية هي في الواقع أنظمة ذاتية التشغيل. في هذه الرؤية الجديدة، لا يحتاج النظام إلى النظر إلى ماضيه بأكمله؛ بل يحمل تاريخه بداخله في شكل هذه الأنماط، التي تتحدث تلقائيًا عند كل خطوة. هذا الاختراق يسمح للعلماء بمحاكاة هذه الأنظمة لملايين الخطوات على جهاز كمبيوتر محمول عادي، وهي مهمة كانت ستستغرق شهورًا أو كانت مستحيلة في السابق. والأهم من ذلك، أن هذا المنظور الجديد يوضح كيف تؤثر نقطة البداية للنظام على مستقبله، وهو سؤال ظل يحير الباحثين لسنوات.

تركز الدراسة على نوعين محددين من هذه الخرائط، وهما تنويعان على "خريطة لوجستية" (logistic map) الشهيرة المستخدمة لنمذجة نمو السكان. في النسخة القياسية، يعتمد عدد السكان في العام المقبل فقط على عدد السكان الحالي. أما في النسخ الكسرية، فإن عدد السكان الجديد يعتمد على متوسط مرجح لكل سنة سابقة، حيث يكون للسنوات الأقدم تأثير أقل ولكنها لا تختفي تمامًا أبدًا. لقد أثبت فازينو أن هاتين الخريطتين، رغم اختلاف أصولهما الرياضية، تشتركان في بنية خفية. إن "نوى الذاكرة" لديهما (memory kernels) — وهي القواعد التي تحدد مقدار الوزن المعطى للماضي — هي في الواقع متوسطات لتلاشيات هندسية بسيطة. وهذا يعني أنه يمكن استبدال التاريخ اللامتناهي بأكمله بمجموعة محدودة من حوالي مائة إلى مائتين من "أنماط الذاكرة". يعمل كل نمط كقناة منفصلة تتذكر الماضي لمدة زمنية محددة، وتتلاشى هندسيًا بمرور الوقت. ومن خلال تتبع هذه الأنماط بدلاً من التاريخ الخام، تنخفض التكلفة الحاسوبية لتشغيل المحاكاة من نمو تربيعي، حيث يؤدي مضاعفة الوقت إلى أربعة أضعاف العمل، إلى نمو خطي، حيث تؤدي مضاعفة الوقت ببساطة إلى مضاعفة العمل. هذه الكفاءة تجعل من الممكن متابعة النظام لما يصل إلى مائة مليون خطوة، وهو مقياس ضروري لرؤية السلوكيات طويلة المدى التي كانت مخفية سابقًا.

باستخدام هذه الأداة القوية، بحث فازينو في سؤال جوهري: كيف تؤثر الحالة الأولية، أي القيمة التي يبدأ بها النظام، على سلوكه طويل الأمد؟ في الأنظمة التي لا تمتلك ذاكرة، عادة ما تهم نقطة البداية لفترة وجيزة فقط قبل أن يستقر النظام في نمط معين. ومع ذلك، في هذه الأنظمة الكسرية، تعمل نقطة البداية كقوة متلاشية تدفع النظام لفترة طويلة جدًا. ووجد الباحثون أن هذا التأثير يتلاشى ببطء، متبعًا "قانون القوة" (power law) حيث يتناقص التأثير مع زيادة عدد الخطوات. بالنسبة للأنظمة التي تستقر في حالة ثابتة أو دورة متكررة، يعني هذا أن حساسية النظام لنقطة بدايته تتلاشى أيضًا، لتصبح صفرًا في النهاية. وهذا يفسر لماذا أنتجت المحاولات السابقة لقياس فوضى هذه الأنظمة أحيانًا أرقامًا سالبة مربكة؛ فقد كانت تلك على الأرجح مجرد آثار قصيرة المدى لنسيان النظام البطيء لبدايته.

حدث الاكتشاف الأكثر إثارة في "النظام الفوضوي" (chaotic regime)، حيث يتصرف النظام بشكل غير متوقع. هنا، لا تتلاشى الحالة الأولية فحسب، بل تترك بصمة دائمة على إحصائيات الفوضى. لاحظ الباحثون أن المعدل الذي يتوسع وينكمش به النظام — وهو معدل التوسع المحلي، وهو مقياس رئيسي للفوضى — يظل معتمدًا على نقطة البداية لفترة طويلة بشكل مذهل. في عمليات المحاكاة ذات رتبة كسرية محددة، كان هذا الاعتماد لا يزال واضحًا بعد عشرة ملايين تكرار، وهي مدة أطول بكثير من الوقت الذي تستغرقه الارتباطات الداخلية للنظام للاختفاء. وكلما كانت نقطة البداية بعيدة عن المتوسط طويل الأمد للنظام، كان هذا الانحراف أقوى وأطول أمدًا. ومع ذلك، إذا بدأ النظام بالضبط عند متوسطه طويل الأمد، فإن هذا الانحراف يتلاشى، وتصبح الإحصائيات مستقرة فورًا. وهذا يشير إلى قاعدة بسيطة لدراسة هذه الأنظمة: للحصول على مقياس حقيقي لفوضاها، يجب إما بدء المحاكاة عند متوسط النظام، أو مراعاة "عمر" المحاكاة، حيث تتغير النتائج اعتمادًا على المدة التي استغرقها النظام في العمل.

لم تقتل هذه النتائج عند نماذج السكان أحادية الأبعاد فحسب. فقد كرر فازينو التحليل على نسخة ثنائية الأبعاد من الخريطة، تُعرف باسم "خريطة هينون" (Hénon map)، ووجد نفس السلوك تمامًا. كانت الحالة الأولية تعمل كحد دفع متلاشٍ في كلتا الحالتين، مما جعل الإحصائيات الفوضوية "تتقادم". وهذا يؤكد أن هذه الظاهرة هي خاصية أساسية للأنظمة الكسرية ذات ذاكرة قانون القوة، وليست مجرد سمة عارضة لمعادلة معينة. كما أوضحت الدراسة أنه على طول المسارات المنتظمة وغير الفوضوية، يكون "أس ليابونوف" (Lyapunov exponent) — وهو رقم يُستخدم لقياس الفوضى — صفرًا بالضبط، مما يعني أن النظام لا يظهر حساسية أسية للظروف الأولية بالمعنى التقليدي. وكانت القيم السالبة التي سجلتها الدراسات السابقة هي على الأرجح تقديرات زمنية محدودة لم تصل بعد إلى حد الصفر.

يحل هذا العمل غموضًا طال أمده في هذا المجال من خلال توفير إطار عمل متسق لتعريف وحساب أسس ليابونوف للخرائط الكسرية دون قطع الذاكرة بشكل تعسفي. ويُظهر أن "تقادم" إحصائيات النظام ليس خطأً عدديًا، بل هو خاصية فيزيائية حقيقية للأنظمة ذات الذاكرة الطويلة. إن الحالة الأولية ليست تفصيلًا منسيًا، بل هي قوة مستمرة تشكل تطور النظام لملايين الخطوات. ومن خلال تحديد هذه الآلية، يفتح هذا البحث مسارًا واضحًا لتحليل الأنظمة المعقدة ذات الذاكرة، مشيرًا إلى أنه لفهم الطبيعة الحقيقية للفوضى في هذه الأنظمة، يجب النظر إلى ما وراء السلوك المباشر ومراعاة الصدى البطيء والمتلاشي للمكان الذي بدأ منه النظام.