Lyapunov exponents of fractional-order systems: definition from the diffusive representation, ageing of memory and effect of memory truncation

Dans l'étude des systèmes complexes, des motifs tourbillonnants de la météo au déclenchement des neurones, les scientifiques cherchent souvent une signature du chaos. Cette signature est une mesure de la rapidité avec laquelle deux points de départ presque identiques s'éloignent l'un de l'autre au fil du temps. S'ils se séparent rapidement, le système est chaotique et imprévisible à long terme ; s'ils restent proches, le système est stable. Pendant des décennies, les chercheurs ont utilisé un outil mathématique spécifique pour calculer ce taux de séparation, connu sous le nom d'exposant de Lyapunov. Cet outil fonctionne magnifiquement pour les systèmes qui se comportent comme des horloges standards, où le futur dépend uniquement du moment présent. Cependant, de nombreux matériaux et processus réels, tels que la façon dont le caoutchouc s'étire ou la manière dont l'électricité circule dans certaines batteries, ne suivent pas ces règles simples. Ils possèdent une « mémoire », ce qui signifie que leur état actuel est influencé par tout ce qui leur est arrivé dans le passé. Lorsque les scientifiques tentent d'appliquer les outils standards à ces systèmes riches en mémoire, les résultats sont déroutants et souvent contradictoires.

Une nouvelle étude du chercheur indépendant Stefano Fazzino aborde cette confusion en redéfinissant la manière dont nous mesurons le chaos dans les systèmes dotés de mémoire. Le document se concentre sur un type spécifique de modèle mathématique appelé système d'ordre fractionnaire, utilisé pour décrire des processus où le passé pèse lourdement sur le présent. Contraigèrement aux systèmes standards, ces modèles ne regardent pas seulement la vitesse de changement actuelle ; ils examinent toute l'histoire du système, remontant jusqu'au tout début. Fazzino soutient que, en raison de ce lien profond avec le passé, la méthode standard de calcul du chaos échoue. Il propose une nouvelle méthode qui traite la mémoire du système non pas comme une influence diffuse en arrière-plan, mais comme une vaste collection d'états internes cachés, chacun se relaxant à sa propre vitesse. En observant le système à travers cette lentille élargie, il parvient à appliquer les règles mathématiques rigoureuses de la théorie du chaos qui étaient auparavant indisponibles.

La découverte centrale de ce travail est que la façon dont nous avons calculé le chaos dans ces systèmes à base de mémoire est fondamentalement erronée. Lorsque les chercheurs utilisent des codes informatiques standards pour estimer la rapidité avec laquelle ces systèmes deviennent chaotiques, ils obtiennent souvent des nombres négatifs pour les taux de séparation, suggérant que le système rétrécit ou se stabilise. L'analyse de Fazzino montre que ces nombres négatifs ne sont pas de véritables mesures de la stabilité à long terme du système. Au lieu de cela, ils représentent les taux de contraction de l'observable sur des échelles de temps courtes ou sont des artefacts fallacieux créés lorsque la mémoire est tronquée. En réalité, pour ces systèmes d'ordre fractionnaire, le véritable spectre des taux de séparation consiste en des valeurs positives indiquant le chaos, un exposant zéro associé au flux, et une bande essentielle où tous les autres exposants s'annulent. Les valeurs négatives rapportées par les logiciels existants ne reflètent pas la stabilité intrinsèque du système ; elles sont simplement la vitesse à laquelle la méthode de calcul oublie l'histoire qu'elle était censée conserver.

Pour parvenir à cette conclusion, Fazzino a transformé le problème dans un espace mathématique différent. Au lieu d'essayer de suivre un point unique se déplaçant dans le temps, il a imaginé le système comme un flux continu de filtres internes, ou « modes », qui stockent l'information sur le passé. Certains de ces filtres conservent l'information pendant un temps très court, tandis que d'autres la conservent pendant un temps incroyablement long. Cette approche a révélé un phénomène appelé « vieillissement ». Comme le système n'oublie jamais son point de départ, la mémoire de cette condition initiale se renforce avec le temps, même si le comportement visible du système semble stable. Cela signifie que le système n'est pas invariant ; il change de caractère à mesure qu'il vieillit. L'étude prouve que pour définir correctement le chaos, il faut observer le comportement du système après qu'il se soit installé dans un rythme régulier, plutôt que d'essayer de le mesurer dès le premier instant où il commence.

Le document a également testé comment différentes manières de simplifier la mémoire affectent les résultats. Dans les simulations informatiques, il est souvent nécessaire de couper la mémoire après un certain laps de temps pour économiser de la puissance de calcul. Fazzino a découvert que l'endroit où l'on effectue cette coupure importe énormément. Si l'on coupe la mémoire dans la partie de l'équation qui décrit le taux de changement, les résultats restent précis et le système se comporte comme prévu. Cependant, si l'on coupe la mémoire dans la partie qui somme l'histoire, le système change complètement. Dans ces cas, le comportement chaotique peut disparaître totalement, ou le système peut être forcé dans un état stable qu'il n'atteindrait jamais dans la réalité. L'étude montre qu'une fenêtre de mémoire de seulement cent unités de temps peut détruire la nature chaotique d'un système qui devrait être chaotique, tandis qu'une fenêtre de cinq cents unités peut réduire de moitié le chaos mesuré. Cela suggère que de nombreuses études précédentes utilisant ces raccourcis étudiaient peut-être un système différent, moins chaotique, que celui qu'elles avaient l'intention de modéliser.

En outre, la recherche clarifie pourquoi l'exposant « zéro » standard, qui indique habituellement un système suivant un chemin stable, manquait dans les calculs précédents. Dans un système doté de mémoire, la direction du temps elle-même agit comme un chemin spécial qui ne croît ni ne rétrécit. La nouvelle méthode capture cela, montrant que le système possède effectivement un exposant zéro, mais seulement lorsque la mémoire est traitée correctement. L'étude suggère également que dans les versions linéaires de ces systèmes, les parties visibles du système ne rétrécissent pas de manière exponentielle rapide comme elles le font dans les systèmes standards ; au contraire, elles s'estompent très lentement, suivant une loi de puissance. Cet estompement lent explique pourquoi les exposants négatifs observés dans les anciens codes informatiques étaient en fait des mesures à court terme de cet estompement lent, plutôt que de véritables indicateurs de stabilité.

Les implications de ces découvertes sont significatives pour quiconque modélise des matériaux ou des dispositifs complexes. L'étude fournit une nouvelle façon fiable de calculer les exposants de Lyapunov pour ces systèmes, confirmant que les exposants positifs sont réels et robustes, tandis que les négatifs sont largement des artefacts mathématiques ou des taux de contraction à court terme. Elle avertit que l'utilisation de fenêtres de mémoire fixes dans certains types de calculs peut conduire à de fausses conclusions sur le caractère chaotique ou stable d'un système. L'auteur recommande d'utiliser une approche spécifique qui maintient intacte la mémoire du taux de changement, ou d'utiliser la nouvelle méthode basée sur les modes internes, pour garantir l'exactitude. Bien que la preuve mathématique de l'existence d'un état stable à long terme dans ces systèmes chaotiques reste une hypothèse, les preuves numériques soutiennent fortement la nouvelle définition. Ce travail n'offre pas seulement un nouveau calcul ; il offre une compréhension corrigée de la manière dont la mémoire façonne l'imprévisibilité du monde qui nous entoure.