Complexity function and entropy of induced maps on hyperspaces of continua

Cet article utilise la fonction de complexité d'un sous-ensemble invariant d'un espace de décalage pour calculer l'entropie polynomiale des dynamiques induites sur l'hyperspace des continus pour certains systèmes dynamiques unidimensionnels, et établit un critère simple garantissant que l'entropie topologique de l'application induite est infinie.

L'essentiel

Imaginez que vous avez une petite boîte à outils, disons un intervalle de 0 à 1, et une règle magique (une fonction mathématique) qui déplace les objets à l'intérieur de cette boîte. C'est votre système dynamique de base.

Maintenant, imaginez que vous ne regardez plus seulement les objets individuels, mais que vous commencez à observer des groupes d'objets qui bougent ensemble. Vous regardez des amas, des nuages, des formes qui se déforment et se déplacent. C'est ce que les mathématiciens appellent l'hyperspace : l'espace de tous les sous-ensembles possibles de votre boîte originale.

Ce papier, écrit par Jelena Katić, Darko Milinković et Milan Perić, pose une question fascinante : Si on change la façon dont les objets individuels bougent, comment cela affecte-t-il la complexité de ces groupes qui bougent ensemble ?

Voici une explication simple, avec des analogies, pour comprendre leurs découvertes.

1. Le concept de "Complexité" : Le bruit de la foule

Pour mesurer la complexité d'un système, les mathématiciens utilisent deux outils principaux :

• L'entropie topologique : C'est comme mesurer le bruit d'une foule. Si les gens bougent de façon totalement chaotique et imprévisible, le bruit est énorme (entropie infinie). Si tout le monde marche au pas, le bruit est faible (entropie nulle).
• L'entropie polynomiale : Parfois, le bruit est trop faible pour être détecté par la première mesure (tout semble calme), mais il y a quand même une certaine agitation. L'entropie polynomiale est un outil plus fin, comme un stéthoscope, qui détecte une agitation "légère" mais structurée (qui croît comme une puissance, pas comme une explosion).

2. La découverte majeure : Le point "vagabond"

Les auteurs découvrent quelque chose de surprenant concernant les espaces de dimension 2 ou plus (comme une sphère ou une surface).

L'analogie du parc :
Imaginez un parc (votre espace). Si vous avez un oiseau qui vole et qui ne revient jamais au même endroit (un "point vagabond"), que se passe-t-il ?

• Si vous regardez l'oiseur seul, son mouvement est simple.
• Mais si vous regardez tous les groupes d'oiseaux possibles qui pourraient se former dans le parc, la situation devient folle.

Le résultat clé (Théorème 1) :
Dès qu'il y a un seul point qui "vagabonde" (qui ne revient jamais sur ses pas) dans un espace à 2 dimensions ou plus, la complexité de l'ensemble des groupes possibles devient infinie.
C'est comme si un seul oiseau qui s'échappe suffisait à créer un chaos infini dans la façon dont on peut former des nuées d'oiseaux. C'est une révélation : la présence d'un simple "errant" rend l'étude des groupes infiniment complexe.

3. Les étoiles et les branches (Les "Stars")

Le papier s'intéresse aussi à des formes en étoile (un centre avec plusieurs branches, comme une patte d'araignée).

L'analogie du mobile :
Pensez à un mobile de bébé avec plusieurs branches. Si vous faites bouger le mobile, chaque branche peut avoir son propre rythme.
Les auteurs montrent que si chaque branche de l'étoile a son propre "vagabond" (un point qui ne revient pas), la complexité des groupes qui se forment sur ces branches dépend directement du nombre de branches.

• Si vous avez 3 branches avec des vagabonds, la complexité est de 3.
• Si vous en avez 5, c'est 5.
  C'est une relation directe et élégante : le nombre de branches actives détermine la "mesure" de la complexité.

4. La hiérarchie des complexités

Enfin, les auteurs répondent à une question posée par d'autres chercheurs : peut-on créer un système où la complexité augmente à chaque fois que l'on regarde des groupes plus gros ?

L'analogie des poupées russes :
Imaginez des poupées russes.

• La plus petite (le point seul) a une certaine complexité.
• La suivante (un groupe de 2 points) est plus complexe.
• Celle d'après (un groupe de 3 points) est encore plus complexe.
• Et ainsi de suite.

Les auteurs prouvent qu'il existe des systèmes mathématiques où cette progression est réelle et infinie. On peut construire un système où regarder des groupes de plus en plus grands révèle une complexité toujours plus grande, sans jamais atteindre un plafond.

En résumé

Ce papier nous dit que :

1. Le chaos collectif est fragile : Un seul élément qui "s'échappe" dans un espace à 2 dimensions suffit à rendre l'étude de tous les groupes possibles infiniment complexe.
2. La forme compte : Sur des formes en étoile, la complexité est simplement le nombre de branches qui bougent de manière errante.
3. La complexité peut s'empiler : On peut créer des systèmes où la complexité augmente indéfiniment à mesure que l'on observe des groupes de plus en plus nombreux.

C'est une étude sur la façon dont le mouvement individuel se transforme en mouvement collectif, révélant que parfois, une petite perturbation locale peut créer un chaos global infini.

Résumé technique

Voici un résumé technique détaillé de l'article « Complexity function and entropy of induced maps on hyperspaces of continua » par Jelena Katić, Darko Milinković et Milan Perić.

1. Problématique et Contexte

L'article s'intéresse à la relation entre la dynamique d'un système $(X, f)$, où $X$ est un espace métrique compact et $f$ une application continue, et la dynamique induite sur son hyperspace.

• Hyperspace : Noté $2^X$, il est l'ensemble de tous les sous-ensembles fermés non vides de$X$, muni de la métrique de Hausdorff.
• Application induite : $2^f : 2^X \to 2^X$définie par$2^f(A) = {f(x) \mid x \in A}$.
• Hyperspace des continus : Si $X$ est connexe, on considère $C(X)$, l'ensemble des sous-ensembles fermés et connexes (continus) de $X$, et l'application induite $C(f) = 2^f|_{C(X)}$.

Le problème central est de comprendre comment les propriétés de complexité dynamique (mesurées par l'entropie topologique et l'entropie polynomiale) se transmettent de $f$ à $C(f)$ ou $2^f$.

• Il est connu que si $h(f) > 0$, alors $h(2^f) = \infty$.
• Cependant, pour les systèmes à entropie topologique nulle ($h(f)=0$), la situation est plus subtile. Par exemple, pour les homéomorphismes de graphes, $h(C(f)) = 0$, mais la complexité peut varier.
• L'article vise à quantifier cette complexité résiduelle via l'entropie polynomiale ($h_{pol}$) et à étudier le cas des variétés de dimension supérieure.

2. Méthodologie

Les auteurs utilisent une approche combinatoire et dynamique basée sur les fonctions de complexité des sous-ensembles invariants (pas nécessairement fermés) de l'espace de décalage (shift space) à deux faces.

• Fonction de complexité : Pour un sous-ensemble $\Sigma$ de l'espace de décalage $\{0,1\}^\mathbb{Z}$, la fonction $p_\Sigma(m)$ compte le nombre de mots de longueur $m$ apparaissant dans les séquences de $\Sigma$.
• Lien avec l'entropie :
  • Entropie topologique : $h(\sigma|_\Sigma) = \lim_{m \to \infty} \frac{\log p_\Sigma(m)}{m}$.
  • Entropie polynomiale : $h_{pol}(\sigma|_\Sigma) = \limsup_{m \to \infty} \frac{\log p_\Sigma(m)}{\log m}$.
• Théorème clé (Théorème 9) : Les auteurs étendent ces formules aux sous-ensembles $\Sigma$ qui sont invariants mais non nécessairement fermés. C'est crucial car les ensembles construits pour l'analyse des points errants ne sont pas toujours compacts.
• Technique de séparation : Pour prouver les inégalités d'entropie, ils construisent des ensembles séparés dans l'hyperspace en utilisant des points errants de $X$ et une application de codage vers un espace de décalage, en contournant le problème de la non-continuité de l'application de codage par des arguments de métriques et de séparation.

3. Résultats Principaux

A. Entropie Topologique sur les Variétés (Théorème 1 et Corollaire 2)

• Résultat : Si $M$ est une variété topologique compacte, connexe de dimension $\ge 2$, et si $f: M \to M$ est un homéomorphisme possédant un point errant, alors l'entropie topologique de l'application induite sur les continus est infinie :
  $$h(C(f)) = \infty$$
• Signification : Contrairement à la dimension 1 (où $h(C(f))$ peut être fini même avec des points errants), la présence d'un point errant en dimension $\ge 2$ suffit à faire exploser la complexité de l'ensemble des continus.
• Conséquence : Cela redémontre un résultat de Arbieto et Bohorquez concernant les difféomorphismes de Morse-Smale en dimension $\ge 2$ (qui ont un nombre fini de points non-errants, donc des points errants partout ailleurs), confirmant que $h(C(f)) = \infty$.

B. Entropie Polynomiale sur les Étoiles et Graphes (Théorème 3 et Corollaire 4)

Pour les systèmes à entropie topologique nulle, les auteurs utilisent l'entropie polynomiale pour distinguer la complexité.

• Cas de l'étoile ($S_k$) : Soit $X = S_k$ une étoile avec $k$ branches. Si chaque branche possède un point errant, alors :
  $$h_{pol}(C(f)) = k$$
• Cas général des graphes (Corollaire 4) : Pour un homéomorphisme $f$ d'un graphe $X$, soit $k$ le nombre maximal d'arêtes partageant un même point de branchement et possédant un point errant. Alors :
  • Si $k \ge 2$, $h_{pol}(C(f)) = k$.
  • Si $k \le 1$ et qu'il existe un cycle fermé non conjugué à une rotation, $h_{pol}(C(f)) = 2$.
  • Sinon, $h_{pol}(C(f)) = 0$.
• Interprétation : L'entropie polynomiale de l'application induite sur les continus d'un graphe est directement liée au nombre de branches "dynamiquement actives" (avec points errants) se rencontrant en un point.

C. Hiérarchie des Entropies (Théorème 5)

Les auteurs répondent positivement à une question ouverte (issue de [1]) concernant l'existence de systèmes où les entropies augmentent strictement avec le nombre de composantes connexes.

• Il existe un système $(X, f)$ tel que pour tout $n \ge 2$ :
  $$h(C(f)) < h(C_n(f)) < h(C_{n+1}(f)) < h(2^f)$$
  (où $C_n(X)$ est l'ensemble des sous-ensembles avec au plus $n$ composantes connexes).
• Un résultat analogue est prouvé pour l'entropie polynomiale :
  $$h_{pol}(C(f)) < h_{pol}(C_n(f)) < h_{pol}(C_{n+1}(f)) < h_{pol}(2^f)$$
• Méthode : Utilisation d'intervalles et de projections vers des produits symétriques $F_n(X)$, en exploitant le fait que l'entropie polynomiale n'est pas préservée par les semi-conjugaisons finies (contrairement à l'entropie topologique), permettant ainsi une croissance linéaire ($h_{pol}(C_n(f)) \approx 2n$).

4. Contributions et Significativité

1. Nouvelle perspective sur les points errants : L'article établit une dichotomie fondamentale entre la dimension 1 et la dimension $\ge 2$ concernant l'impact des points errants sur l'entropie de l'hyperspace des continus. En dimension $\ge 2$, un seul point errant suffit à rendre l'entropie topologique infinie.
2. Outil de discrimination fine : L'utilisation de l'entropie polynomiale permet de classifier des systèmes qui semblent identiques du point de vue de l'entropie topologique (tous nuls), en révélant une structure de complexité dépendant de la topologie du graphe (nombre de branches).
3. Généralisation des formules de complexité : La preuve du Théorème 9, qui étend le calcul de l'entropie via la fonction de complexité aux ensembles non fermés, est un outil technique important pour l'analyse des sous-ensembles invariants non compacts dans les systèmes dynamiques.
4. Réponse à une question ouverte : La construction de systèmes avec une hiérarchie stricte d'entropies pour les sous-ensembles à $n$ composantes comble un vide dans la littérature sur les propriétés des applications induites sur les hyperspaces.

En résumé, cet article fournit une caractérisation complète de la complexité (topologique et polynomiale) des applications induites sur les hyperspaces de continus pour une large classe de systèmes unidimensionnels et de variétés, reliant directement la géométrie de l'espace (points de branchement, points errants) aux invariants dynamiques.