🔢 mathématiques

Chaotic attractors and Lyapunov exponents of fractional-order systems: a tutorial on the augmented-system algorithm, with a complete Python program

Ce tutoriel présente une implémentation Python complète de l'algorithme du système augmenté basé sur la représentation diffusive pour simuler des systèmes d'ordre fractionnaire chaotiques et calculer leurs exposants de Lyapunov, validant la méthode sur les systèmes linéaires, Lorenz et Chen tout en expliquant les principes mathématiques sous-jacents.

Auteurs originaux : Stefano Fazzino

Publié 2026-10-20

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Stefano Fazzino

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Dans l'étude des systèmes complexes, les scientifiques cherchent souvent des motifs dans le chaos. Ils examinent comment de minuscules différences dans un point de départ peuvent se transformer en des résultats radicalement différents, un phénomène connu sous le nom d'effet papillon. Pour mesurer cette sensibilité, les chercheurs utilisent un outil appelé exposant de Lyapunov. En termes simples, ce nombre nous indique la vitesse à laquelle deux trajectoires presque identiques divergent l'une de l'autre. Si le nombre est positif, le système est chaotique et imprévisible à long terme. S'il est négatif, le système se stabilise vers un état stationnaire. Pendant des décennies, cette méthode a parfaitement fonctionné pour les systèmes qui changent uniquement en fonction de leur état actuel, comme un pendule oscillant ou une rivière qui coule.

Cependant, de nombreux processus du monde réel ne fonctionnent pas ainsi. Des matériaux comme le caoutchouc ou les tissus biologiques ont souvent une mémoire de leur passé. Leur comportement actuel dépend non seulement de l'endroit où ils se trouvent maintenant, mais aussi de tout ce qui leur est arrivé auparavant, les événements plus anciens s'estompant lentement avec le temps. Les scientifiques décrivent cela à l'aide de systèmes d'ordre fractionnaire, où le taux de variation est pondéré par une longue histoire. Le problème est que les outils standards pour mesurer le chaos s'effondrent ici. Parce que ces systèmes n'ont pas de véritable « état actuel » indépendant de leur passé, la manière habituelle de calculer la vitesse de séparation des trajectoires devient indéfinie. Pendant vingt ans, les chercheurs ont simulé ces systèmes, mais ils ont eu du mal à mesurer leur chaos avec précision, s'appuyant souvent sur des raccourcis qui pourraient mesurer une chose totalement différente.

Un nouveau tutoriel de Stefano Fazzino offre une voie de passage claire, fournissant à la fois une explication théorique et un programme informatique complet et prêt à l'emploi pour résoudre ce problème. L'idée centrale est de cesser de vouloir forcer un système fractionnaire dans une boîte standard et de traiter plutôt la mémoire du système comme son état réel. L'auteur montre que la mémoire complexe et s'estompant de ces systèmes peut être décomposée en une collection de signaux simples et décroissants. En ajoutant ces signaux comme des variables supplémentaires aux équations, le système fractionnaire difficile se transforme en un système ordinaire standard que les ordinateurs peuvent gérer facilement. Cette nouvelle approche, appelée algorithme du système augmenté, permet aux chercheurs de suivre l'évolution du système et de calculer ses exposants de Lyapunov correctement pour la première fois.

Le programme, écrit en Python et conçu pour fonctionner sur un ordinateur portable standard, simule des systèmes chaotiques célèbres comme les modèles de Lorenz et de Chen, mais avec des règles d'ordre fractionnaire. Lorsque l'auteur a testé le code sur un système linéaire simple dont la réponse était déjà connue, le programme correspondait à la valeur théorique exacte à moins d'un centième de pourcent. Cette validation a prouvé que la méthode fonctionne. Appliqué aux systèmes chaotiques plus complexes, les résultats ont révélé quelque chose de surprenant et de fondamental sur la façon dont ces systèmes se comportent. Dans les systèmes chaotiques ordinaires, les exposants de Lyapunov incluent généralement des nombres négatifs, représentant des directions où les trajectoires convergent et se stabilisent. Dans ces systèmes fractionnaires, cependant, le programme n'a trouvé aucun exposant négatif.

Au lieu de converger vers des nombres négatifs, les exposants qui seraient normalement négatifs dérivaient lentement vers zéro. Cela confirme une intuition théorique profonde : dans un système doté d'une mémoire à long terme, les perturbations ne s'éteignent pas exponentiellement vite comme dans les systèmes standards. Au contraire, elles s'estompent algébriquement, suivant une loi de puissance qui est beaucoup plus lente. Le programme a également montré que si un chercheur tente d'ignorer le passé lointain en coupant la mémoire, les résultats deviennent radicalement inexacts. La simulation a démontré que le fait de supprimer même les parties les plus lentes et les plus lointaines de la mémoire change entièrement le système, gonflant ou réduisant le chaos calculé par de larges marges.

Le tutoriel comprend un programme complet de cent cinquante lignes que n'importe qui peut exécuter pour observer ces effets. Il génère des visualisations des formes étranges et torsadées que ces systèmes tracent dans l'espace, appelées attracteurs, et calcule leur degré de chaos. L'auteur prévient que la lecture des résultats nécessite une nouvelle perspective. Parce que les directions non chaotiques de ces systèmes ne se stabilisent pas en nombres négatifs, un résultat qui ressemble à zéro ne signifie pas forcément que le système est stable ; cela peut simplement signifier que le système est dans une phase périodique temporaire. Le programme fournit l'intégralité des données de trajectoire afin que les utilisateurs puissent examiner le chemin réel et distinguer un véritable équilibre d'un cycle lent et répétitif.

Ce travail fait plus que simplement fournir une calculatrice ; il change notre compréhension de la nature du chaos dans les systèmes dépendants de la mémoire. Il prouve que l'état d'un tel système n'est pas un point unique dans le temps, mais l'histoire entière de ses mouvements. En convertissant cette histoire infinie en un ensemble gérable de variables, l'auteur a donné aux scientifiques un moyen fiable de mesurer l'imprévisibilité de processus allant des matériaux viscoélastiques à l'adaptation des neurones. Les conclusions suggèrent que les règles du chaos sont différentes lorsque le passé n'est jamais vraiment oublié, et que les outils pour les mesurer doivent être construits pour respecter cette mémoire.

Résumé Technique : Attracteurs Chaotiques et Exposants de Lyapunov des Systèmes d'Ordre Fractionnaire

1. Le Problème

Les systèmes dynamiques d'ordre fractionnaire, définis par la dérivée de Caputo d'ordre non entier $\nu \in (0, 1)$ , modélisent des processus où le taux de variation actuel dépend de tout l'historique passé avec un poids de type loi de puissance. Bien que ces systèmes (tels que les systèmes de Lorenz, Rössler et Chen fractionnaires) soient connus pour présenter un comportement chaotique, la mesure de ce chaos via les exposants de Lyapunov est restée problématique.

Les algorithmes de Lyapunov standards reposent sur le concept d'un « état » qui détermine l'évolution future d'un système. Or, un système fractionnaire n'a pas d'état ; son futur dépend de l'intégralité de son historique. Par conséquent, le système ne possède pas de flot au sens traditionnel du terme. Les méthodes existantes soit tronquent la mémoire (introduisant des erreurs significatives), soit appliquent des algorithmes standards à des schémas tronqués, calculant ainsi les exposants pour un système entièrement différent. De plus, la définition mathématique des exposants de Lyapunov pour les systèmes fractionnaires est non triviale car la mémoire du système vieillit, provoquant une croissance illimitée de la norme de la mémoire, même sur des attracteurs bornés.

2. Méthodologie : L'Algorithme du Système Augmenté

L'article propose une solution pratique basée sur la « représentation diffusive », qui transforme le système fractionnaire en un système d'équations différentielles ordinaires (EDO) à dimension infinie. La méthodologie centrale repose sur trois piliers :

A. Représentation Diffusive

Le noyau de mémoire de type loi de puissance $k_\nu(\tau) = \tau^{\nu-1}/\Gamma(\nu)$ est exprimé comme une superposition d'exponentielles décroissantes :
$k_\nu(\tau) = \int_0^\infty \mu_\nu(\omega) e^{-\omega\tau} d\omega$
où $\mu_\nu(\omega) \propto \omega^{-\nu}$ . Cela permet de réécrire le système fractionnaire comme un « système augmenté » où l'état est la fonction $\omega \mapsto z(\omega, t)$ , représentant les modes de mémoire. Chaque mode satisfait une EDO du premier ordre :
$\partial_t z(\omega, t) = -\omega z(\omega, t) + f(x(t))$
La variable originale $x(t)$ est récupérée via une somme pondérée de ces modes. Cette formulation convertit le système fractionnaire en un système d'EDO autonome à dimension infinie, le rendant apte aux outils classiques de la théorie des systèmes dynamiques.

B. Discrétisation et Pas de Temps

Pour implémenter cela numériquement, le continuum de modes est discrétisé à l'aide d'une règle de quadrature qui approxime l'intégrale. L'article emploie une stratégie spécifique pour gérer la singularité de $\mu_\nu(\omega)$ en $\omega=0$ :

Panneau Singulier : Une règle de Gauss-Jacobi est utilisée pour l'intervalle $[0, \omega_{min}]$ afin de capturer les modes lents et vieillissants essentiels au comportement à long terme.
Panneaux Géométriques : Des règles de Gauss-Legendre dans la variable $\ln(\omega)$ sont utilisées pour les décades suivantes jusqu'à $\omega_{max}$ .
Différenciation Temporelle Exponentielle (ETD) : Comme le système est raide (les taux $\omega$ allant de $10^{-7}$ à $10^7$ ), la partie linéaire des équations de mode est intégrée analytiquement, tandis que le couplage non linéaire est géré par un schéma de Runge-Kutta du second ordre.

C. Système Tangent et Norme

Pour calculer les exposants de Lyapunov, la dynamique linéarisée du système augmenté est intégrée parallèlement à la trajectoire. Une intuition théorique critique dicte le choix de la norme pour l'orthonormalisation (via la décomposition QR) :

La dynamique linéarisée consiste en une relaxation pure (norme 1) et un couplage compact.
La théorie prédit que les systèmes fractionnaires n'ont aucun exposant de Lyapunov négatif. Les perturbations qui décroissent le font de manière algébrique (comme une puissance de $t$ ), et non exponentiellement.
Par conséquent, les vecteurs tangents doivent être orthonormalisés selon une norme pondérée spécifique : $\|( \delta a, \delta z )\|^2 = |\delta a|^2 + \sum w_i(1+\omega_i)|\delta z_i|^2$ . L'utilisation de la norme euclidienne standard produirait des résultats erronés.

3. Principales Contributions

L'article fournit un programme Python complet et autonome (environ 150 lignes) qui implémente cet algorithme. Ses contributions spécifiques sont :

Une Implémentation Fonctionnelle : Un script qui simule des systèmes chaotiques fractionnaires et calcule leurs exposants de Lyapunov, validé sur des systèmes linéaires possédant des solutions exactes connues.
Justification Théorique de la Conception du Code : L'article explique pourquoi des choix de conception spécifiques (tels que l'inclusion du panneau singulier et la norme pondérée spécifique) sont nécessaires, en les liant directement aux propriétés mathématiques de la représentation diffusive.
Clarification de l'Interprétation des Résultats : L'article établit comment lire les résultats d'un calcul de Lyapunov fractionnaire :
- Les exposants positifs sont bien définis et discrets.
- Les exposants non positifs ne convergent pas vers des nombres négatifs mais dérivent lentement vers zéro.
- Un exposant s'annulant ( $\lambda \approx 0$ ) nécessite l'examen de la trajectoire pour distinguer un équilibre, une fenêtre périodique ou un régime transitoire.

4. Résultats

Le programme a été validé et appliqué à plusieurs systèmes :

Validation Linéaire : Sur un système linéaire $CD^\nu x = \text{diag}(0.05, -1, -2)x$ avec $\nu=0.8$ , le programme a calculé le plus grand exposant comme étant $0.023636$, correspondant à la valeur théorique de $0.05^{1/0.8} \approx 0.023644$ avec une erreur de $0,04\,\%$ . Les autres exposants ont correctement dérivé vers zéro plutôt que de converger vers $-1$ et $-2$.
Système de Lorenz Fractionnaire ( $\nu=0.995$ ) : Le programme a calculé un plus grand exposant $\lambda_1 \approx 0,856$ (comparé à $0,906$ pour le système d'ordre entier). Il a correctement capturé la stagnation de la trajectoire près des équilibres avant que le chaos ne s'installe.
Système de Chen Fractionnaire ( $\nu=0,9$ ) : Le programme a trouvé $\lambda_1 \approx 2,33$ .
Fenêtres Périodiques : L'algorithme a identifié avec succès une fenêtre périodique dans le système de Chen à $\nu=0,99$ , où l'exposant a dérivé vers zéro et la trajectoire est devenue périodique après un long régime transitoire.

5. Signification et Revendications

L'article se positionne comme un compagnon pratique d'un article théorique récent, visant à résoudre l'ambiguïté de la mesure du chaos dans les systèmes fractionnaires. Sa signification réside dans :

Correction des Idées Reçues : Il démontre que les algorithmes de Lyapunov standards appliqués à des schémas de mémoire tronquée mesurent le mauvais système.
Définition de l'État : Il opérationnalise le concept selon lequel « l'état d'un système fractionnaire est sa mémoire », permettant l'application de la théorie classique des systèmes dynamiques.
Évitement des Erreurs de Troncature : Il met explicitement en garde contre la troncature de la mémoire (suppression des modes lents), montrant via l'analyse de l'erreur de noyau qu'une telle troncature modifie fondamentalement le système et conduit à des erreurs importantes sur les exposants.
Portée Modeste : L'auteur ne prétend pas résoudre tous les problèmes de la dynamique fractionnaire, mais fournit un outil robuste pour simuler et analyser les attracteurs chaotiques et leurs exposants pour des systèmes de la forme $CD^\nu x = f(x)$ . L'article souligne que le lecteur doit comprendre le comportement spécifique des exposants fractionnaires (la bande autour de zéro) pour interpréter correctement les résultats.