🔢 matemáticas

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

Este artículo demuestra que los mapas logísticos y de Hénon fraccionarios pueden reformularse exactamente como sistemas autónomos en modos de memoria para permitir el cálculo eficiente de los exponentes de Lyapunov, revelando que la condición inicial actúa como un forzamiento de ley de potencia decreciente que induce una memoria persistente y no trivial del estado inicial en regímenes caóticos.

Autores originales: Stefano Fazzino

Publicado 2026-10-22

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Stefano Fazzino

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

En el estudio de los sistemas complejos, los científicos suelen buscar reglas simples que gobiernen cómo cambian las cosas a lo largo del tiempo. Una de estas reglas es la idea de un "mapa", una receta matemática que te dice dónde estará un sistema después basándose en dónde se encuentra ahora. En las versiones más simples, el futuro depende únicamente del presente. Pero muchos sistemas del mundo real, desde el flujo de fluidos hasta la propagación de enfermedades, tienen memoria. Su futuro depende no solo de dónde están ahora, sino de dónde han estado en el pasado. Cuando esta memoria se desvanece lentamente, como un eco que se desvanece y perdura durante mucho tiempo, el sistema se describe mediante la matemática "fraccionaria". Estos sistemas son notoriamente difíciles de estudiar porque su larga memoria significa que calcular el siguiente paso requiere conocer toda la historia del sistema. Esto los hace computacionalmente costosos y matemáticamente opacos, dejando a los científicos sin saber cómo medir su caos o predecir su comportamiento.

Un investigador llamado Stefano Fazzino ha encontrado ahora una forma de atravesar esta complejidad, revelando que estos sistemas cargados de memoria pueden entenderse como máquinas simples y autónomas. Al reimaginar la larga historia del sistema no como una lista de eventos pasados, sino como una colección de "modos" que se desvanecen, Fazzino demostró que estos mapas fraccionarios son en realidad sistemas autónomos. En esta nueva visión, el sistema no necesita mirar hacia atrás a todo su pasado; en su lugar, lleva su historia dentro de sí mismo en forma de estos modos, que se actualizan automáticamente en cada paso. Este avance permite a los científicos simular estos sistemas durante millones de pasos en una computadora portátil estándar, una tarea que antes habría tomado meses o habría sido imposible. Más importante aún, esta nueva perspectiva aclara cómo el punto de partida del sistema influye en su futuro, una pregunta que ha desconcertado a los investigadores durante años.

El estudio se centra en dos tipos específicos de estos mapas, que son variaciones del famoso mapa logístico utilizado para modelar el crecimiento de la población. En la versión estándar, la población del próximo año depende solo de la población actual. En las versiones fraccionarias, la nueva población depende de un promedio ponderado de cada uno de los años anteriores, donde los años más antiguos tienen menos influencia pero nunca desaparecen por completo. Fazzino demostró que estos dos mapas, a pesar de sus diferentes orígenes matemáticos, comparten una estructura oculta. Sus núcleos de memoria —las reglas que determinan cuánto peso dar al pasado— son en realidad promedios de decaimientos geométricos simples. Esto significa que toda la historia infinita puede ser reemplazada por un conjunto finito de entre cien y doscientas "modos de memoria". Cada modo actúa como un canal separado que recuerda el pasado durante una duración específica, decayendo geométricamente con el tiempo. Al rastrear estos modos en lugar de la historia bruta, el costo computacional de ejecutar una simulación cae de un crecimiento cuadrático, donde duplicar el tiempo cuadruplica el trabajo, a un crecimiento lineal, donde duplicar el tiempo simplemente duplica el trabajo. Esta eficiencia hace posible seguir el sistema durante hasta cien millones de pasos, una escala necesaria para observar comportamientos a largo plazo que antes estaban ocultos.

Con esta nueva y poderosa herramienta, Fazzino investigó una pregunta fundamental: ¿cómo afecta la condición inicial, el valor de partida del sistema, a su comportamiento a largo plazo? En sistemas sin memoria, el punto de partida suele importar solo por un breve momento antes de que el sistema se asiente en un patrón. En estos sistemas fraccionarios, sin embargo, el punto de partida actúa como una fuerza de decaimiento que empuja al sistema durante mucho tiempo. Los investigadores descubrieron que esta influencia se desvanece lentamente, siguiendo una ley de potencia donde el efecto disminuye a medida que aumenta el número de pasos. Para los sistemas que se asientan en un estado estacionario o en un ciclo repetitivo, esto significa que la sensibilidad del sistema a su punto de partida también se desvanece, llegando eventualmente a cero. Esto explica por qué los intentos previos de medir el caos de estos sistemas a veces producían números negativos confusos; probablemente eran solo artefactos de corto plazo del lento olvido del sistema de su inicio.

El descubrimiento más sorprendente ocurrió en el régimen caótico, donde el sistema se comporta de manera impredecible. Aquí, la condición inicial no solo se desvanece; deja una huella duradera en las estadísticas del caos. Los investigadores observaron que la tasa a la que el sistema se expande y se contrae —su tasa de expansión local, una medida clave del caos— sigue dependiendo del punto de partida durante un tiempo asombroso. En simulaciones con un orden fraccionario específico, esta dependencia seguía siendo claramente visible después de diez millones de iteraciones, una duración mucho mayor que el tiempo que tardan en desaparecer las correlaciones internas del sistema. Cuanto más lejos estaba el punto de partida del promedio a largo plazo del sistema, más fuerte y duradero era este arrastre. Sin embargo, si el sistema se inicia exactamente en su promedio a largo plazo, este arrastre desaparece y las estadísticas se vuelven estacionarias de inmediato. Esto sugiere una regla simple para estudiar estos sistemas: para obtener una medida real de su caos, uno debe iniciar la simulación en el promedio del sistema o tener en cuenta la edad de la simulación, ya que los resultados cambian dependiendo de cuánto tiempo haya estado funcionando el sistema.

Estos hallazgos no se limitaron a los modelos de población unidimensionales. Fazzino repitió el análisis en una versión bidimensional del mapa, conocida como el mapa de Hénon, y encontró exactamente el mismo comportamiento. La condición inicial actuó como un término de forzamiento en decaimiento en ambos casos, causando que las estadísticas caóticas envejecieran. Esto confirma que el fenómeno es una propiedad fundamental de los sistemas fraccionarios con memoria de ley de potencia, y no un capricho de una ecuación específica. El estudio también aclaró que, a lo largo de trayectorias regulares y no caóticas, el exponente de Lyapunov —un número utilizado para cuantificar el caos— es exactamente cero, lo que significa que el sistema no exhibe sensibilidad exponencial a las condiciones iniciales en el sentido tradicional. Los valores negativos reportados en estudios anteriores fueron probablemente estimaciones de tiempo finito que aún no habían convergido a este límite de cero.

Este trabajo resuelve una ambigüedad de larga data en el campo al proporcionar un marco consistente para definir y calcular los exponentes de Lyapunov para mapas fraccionarios sin cortar arbitrariamente la memoria. Demuestra que el "envejecimiento" de las estadísticas del sistema no es un error numérico, sino una propiedad física genuina de los sistemas con memoria larga. La condición inicial no es un detalle olvidado, sino una fuerza persistente que moldea la evolución del sistema durante millones de pasos. Al identificar este mecanismo, la investigación ofrece un camino claro para analizar sistemas complejos con memoria, sugiriendo que para comprender la verdadera naturaleza del caos en estos sistemas, uno debe mirar más allá del comportamiento inmediato y tener en cuenta el eco lento y desvanecido de dónde comenzó el sistema.

Resumen Técnico: La condición inicial como un forzamiento en decaimiento en mapas fraccionarios

Planteamiento del problema
Los mapas de diferencia fraccionaria, como el mapa logístico fraccionario, son sistemas dinámicos discretos donde el nuevo estado depende de toda la órbita pasada mediante una suma ponderada con pesos de decaimiento de ley de potencia. A diferencia de los mapas de orden entero, estos sistemas exhiben convergencia algebraica hacia puntos fijos, diagramas de bifurcación que dependen de las condiciones iniciales y del número de iteraciones, y regímenes caóticos que son difíciles de caracterizar cuantitativamente. Ha faltado una definición y computación consistente de los exponentes de Lyapunov para estos sistemas. Los métodos existentes, como el algoritmo del Jacobiano extendido a sistemas con memoria, operan en espacios indefinidos y sufren costos computacionales que escalan cuadráticamente ( $O(N^2)$ ) con la longitud de la órbita $N$ , lo que los hace imprácticos para seguir los largos transitorios (a menudo de $10^5$ a $10^6$ iteraciones) característicos de los sistemas fraccionarios de bajo orden. Además, no está claro si las estimaciones de los exponentes en tiempo finito convergen y cómo la condición inicial influye en las estadísticas caóticas durante escalas de tiempo largas.

Metodología
El artículo propone una reformulación de los mapas fraccionarios de tipo Caputo (específicamente aquellos con núcleos de factorial decreciente y de ley de potencia) como sistemas dinámicos autónomos sobre un espacio de "modos de memoria".

Representación difusiva: El autor aprovecha el hecho de que los núcleos de estos mapas son sucesiones de momentos de medidas positivas en el intervalo unidad. Al expresar los pesos del núcleo como integrales de sucesiones geométricas ( $r^m$ ), la recurrencia de Volterra no autónoma se reescribe como un mapa autónomo en el espacio $X = \mathbb{R} \times L^2(\beta)$ , donde el estado consiste en la condición inicial $\eta$ y una función de memoria $z(r)$ .
Cuadratura y eficiencia computacional: Para hacer que el sistema sea computacionalmente tratable, el autor aplica una cuadratura trapezoidal en una variable logarítmica para discretizar la integral de memoria. Esta aproximación reduce el espacio de memoria infinito a un conjunto finito de $M$ modos (típicamente 100–200). Esta aproximación reproduce el núcleo con errores relativos por debajo de $4 \times 10^{-7}$ sobre $10^8$ pasos. Crucialmente, esto reduce el costo computacional de una órbita de longitud $N$ de $O(N^2)$ a $O(MN)$ , lo cual es lineal en $N$ dado que $M$ es efectivamente constante para una precisión y orden dados, permitiendo la simulación de órbitas de hasta $10^8$ pasos en hardware estándar.
Mapa tangente y exponentes: El mapa tangente se define sobre el espacio de modos. Consiste en un operador de multiplicación (contracción) más un operador de rango uno. Esta estructura permite la definición de exponentes de Lyapunov sin truncar la memoria. El autor distingue entre perturbaciones de la memoria (subespacio $\delta \eta = 0$ ) y perturbaciones de la condición inicial ( $\delta \eta \neq 0$ ).
Derivación analítica de los efectos de la condición inicial: Mediante la inversión de la relación de convolución, el autor deriva una expresión exacta que muestra que la condición inicial $x_0$ actúa como un término de forzamiento proporcional a $(x_0 - \xi)n^{-\nu}$ , donde $\xi$ es una constante arbitraria (elegida como el promedio temporal $\bar{x}$ ) y $\nu$ es el orden fraccionario.

Contribuciones clave y resultados

Formulación autónoma: El artículo establece que los mapas fraccionarios son equivalentes a mapas autónomos en un espacio de modos de memoria. Esto proporciona un marco riguroso para definir los exponentes de Lyapunov, resolviendo la ambigüedad del espacio de estados subyacente en estudios previos.
Exponentes cero para órbitas regulares: En regímenes regulares (órbitas atraídas hacia puntos fijos o sumideros periódicos), el autor demuestra que la sensibilidad a la condición inicial, $\partial x_n / \partial x_0$ , decae como $n^{-\nu}$ . Consecuentemente, el exponente de Lyapunov es exactamente cero. Los exponentes negativos reportados en la literatura previa se identifican como artefactos de tiempo finito de este decaimiento algebraico, no como una verdadera contracción exponencial.
Envejecimiento de las estadísticas caóticas: En el régimen caótico, la tasa de expansión local y otras propiedades estadísticas retienen una memoria de la condición inicial durante escalas de tiempo que exceden con creces el tiempo de correlación (hasta $10^7$ $1 0^{7}$ iteraciones). La desviación de estas estadísticas respecto a sus valores estacionarios decae algebraicamente como $n^{-p}$ $n^{- p}$ , donde el exponente $p$ $p$ es cercano al orden fraccionario $\nu$ $ν$ .
- La amplitud de esta deriva es proporcional a la distancia $|x_0 - \bar{x}|$ .
- Las órbitas iniciadas cerca del promedio temporal $\bar{x}$ no exhiben esta deriva y producen estadísticas estacionarias de inmediato.
Validación en el mapa de Hénon: Los hallazgos sobre el forzamiento en decaimiento y el envejecimiento de las estadísticas se confirman en un mapa de Hénon fraccionario bidimensional, demostrando que los resultados no son específicos de la no linealidad de la logística.
Eficiencia numérica: La representación modal permite la computación de exponentes y largos transitorios con un costo lineal, una mejora significativa respecto a los métodos cuadráticos anteriores.

Significancia y afirmaciones
El artículo afirma proporcionar un marco cuantitativo consistente para analizar el caos en sistemas fraccionarios discretos. Al identificar la condición inicial como un forzamiento en decaimiento, el autor explica el fenómeno de "envejecimiento" donde las estadísticas caóticas derivan con el tiempo. Esto resuelve el problema abierto de cómo definir y computar los exponentes de Lyapunov en estos sistemas:

Para órbitas regulares: El exponente máximo es cero.
Para órbitas caóticas: El exponente depende de la condición inicial y de la longitud de la órbita (edad). Para obtener un valor estacionario, se debe iniciar la órbita cerca del promedio temporal $\bar{x}$ o reportar el exponente junto con la edad de la órbita.

El autor enfatiza que el espacio de modos de memoria es el entorno natural para tal análisis, revelando que la dependencia de las condiciones iniciales y la convergencia algebraica de los exponentes son propiedades intrínsecas de la dinámica con memoria de ley de potencia, en lugar de artefactos numéricos. El trabajo sugiere que el "envejecimiento" de las estadísticas caóticas es una característica fundamental de los sistemas fraccionarios, observable en tiempo discreto donde los osciladores fraccionarios continuos (que no son caóticos a órdenes bajos) no podrían demostrarlo.

Más como este