🔢 matematica

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

Questo tutorial presenta un'implementazione completa in Python dell'algoritmo del sistema aumentato basato sulla rappresentazione diffusiva per simulare sistemi caotici di ordine frazionario e calcolare i loro esponenti di Lyapunov, validando il metodo su sistemi lineari, Lorenz e Chen, spiegando al contempo i principi matematici sottostanti.

Autori originali: Stefano Fazzino

Pubblicato 2026-10-20

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Stefano Fazzino

Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Nello studio dei sistemi complessi, gli scienziati cercano spesso schemi nel caos. Esaminano come piccole differenze in un punto di partenza possano trasformarsi in risultati vastamente diversi, un fenomeno noto come l'effetto farfalla. Per misurare questa sensibilità, i ricercatori utilizzano uno strumento chiamato esponente di Lyapunov. In termini semplici, questo numero ci dice quanto velocemente due percorsi quasi identici divergono l'uno dall'altro. Se il numero è positivo, il sistema è caotico e imprevedibile nel lungo periodo. Se è negativo, il sistema si assesta in uno stato stazionario. Per decenni, questo metodo ha funzionato perfettamente per i sistemi che cambiano solo in base al loro stato attuale, come un pendolo oscillante o un fiume che scorre.

Tuttavia, molti processi del mondo reale non funzionano in questo modo. Materiali come la gomma o i tessuti biologici spesso ricordano il proprio passato. Il loro comportamento attuale dipende non solo da dove si trovano in questo momento, ma da tutto ciò che è accaduto loro in precedenza, con gli eventi più vecchi che svaniscono lentamente nel tempo. Gli scienziati descrivono questo fenomeno utilizzando i sistemi a ordine frazionario, dove il tasso di variazione è pesato da una lunga storia. Il problema è che gli strumenti standard per misurare il caos falliscono qui. Poiché questi sistemi non hanno un vero "stato attuale" indipendente dal loro passato, il modo consueto di calcolare quanto velocemente i percorsi si separano diventa indefinito. Per vent'anni, i ricercatori hanno simulato questi sistemi, ma hanno faticato a misurare il loro caos con precisione, affidandosi spesso a scorciatoie che potrebbero misurare tutt'altro.

Un nuovo tutorial di Stefano Fazzino offre una via d'uscita chiara, fornendo sia una spiegazione teorica che un programma per computer completo e pronto all'uso per risolvere questo problema. L'idea centrale è di smettere di cercare di forzare un sistema frazionario in una scatola standard e di trattare invece la memoria del sistema come il suo stato effettivo. L'autore mostra che la complessa memoria svanente di questi sistemi può essere scomposta in una collezione di segnali semplici e decadenti. Aggiungendo questi segnali come variabili extra alle equazioni, il difficile sistema frazionario si trasforma in un sistema ordinario standard che i computer possono gestire facilmente. Questo nuovo approccio, chiamato algoritmo del sistema aumentato, permette ai ricercatori di tracciare l'evoluzione del sistema e calcolare correttamente i loro esponenti di Lyapunov.

Il programma, scritto in Python e progettato per girare su un normale laptop, simula famosi sistemi caotici come i modelli Lorenz e Chen, ma con regole a ordine frazionario. Quando l'autore ha testato il codice su un semplice sistema lineare dove la risposta era già nota, il programma ha corrisposto al valore teorico esatto entro una frazione minuscola di un percento. Questa validazione ha dimostrato che il metodo funziona. Applicato ai sistemi caotici più complessi, i risultati hanno rivelato qualcosa di sorprendente e fondamentale su come questi sistemi si comportano. Nei sistemi caotici ordinari, gli esponenti di Lyapunov includono solitamente numeri negativi, che rappresentano direzioni in cui i percorsi convergono e si stabilizzano. In questi sistemi frazionari, tuttavia, il programma non ha trovato alcun esponente negativo.

Inveve di convergere verso numeri negativi, gli esponenti che normalmente sarebbero negativi sono scivolati lentamente verso lo zero. Ciò conferma un'intuizione teorica profonda: in un sistema con memoria a lungo termine, le perturbazioni non muoiono fuori in modo esponenzialmente veloce come nei sistemi standard. Invece, svaniscono algebricamente, seguendo una legge di potenza che è molto più lenta. Il programma ha anche mostrato che se un ricercatore cerca di ignorare il passato remoto tagliando la memoria, i risultati diventano selvaggiamente inaccurati. La simulazione ha dimostato che rimuovere anche le parti più lente e distanti della memoria cambia interamente il sistema, gonfiando o restringendo il caos calcolato per margini enormi.

Il tutorial include un programma completo di centocinquanta righe che chiunque può eseguire per osservare questi effetti. Genera visualizzazioni delle forme strane e contorte che questi sistemi tracciano nello spazio, note come attrattori, e calcola quanto sono caotici. L'autore avverte che leggere i risultati richiede una nuova prospettiva. Poiché le direzioni non caotiche in questi sistemi non si assestano in numeri negativi, un risultato che sembra zero potrebbe non significare che il sistema è stabile; potrebbe solo significare che il sistema è in una fase temporanea e periodica. Il programma fornisce i dati completi della traiettoria in modo che gli utenti possano osservare il percorso effettivo e distinguere tra un vero equilibrio e un ciclo lento e ripetitivo.

Questo lavoro fa di più del semplice fornire un calcolatore; cambia il modo in cui comprendiamo la natura del caos nei sistemi dipendenti dalla memoria. Dimostra che lo stato di un tale sistema non è un singolo punto nel tempo, ma l'intera storia dei suoi movimenti. Convertendo questa storia infinita in un insieme gestibile di variabili, l'autore ha dato agli scienziati un modo affidabile per misurare l'imprevedibilità di processi che vanno dai materiali viscoelastici all'adattamento dei neuroni. Le scoperte suggeriscono che le regole del caos sono diverse quando il passato non viene mai veramente dimenticato, e che gli strumenti per misurarle devono essere costruiti per rispettare tale memoria.

Riassunto Tecnico: Attrattori Caotici ed Esponenti di Lyapunov di Sistemi ad Ordine Frazionario

1. Il Problema

I sistemi dinamici ad ordine frazionario, definiti dalla derivata di Caputo di ordine non intero $\nu \in (0, 1)$ , modellano processi in cui l'attuale tasso di variazione dipende dall'intera storia passata con un peso di legge di potenza. Sebbene questi sistemi (come i sistemi di Lorenz, Rössler e Chen a ordine frazionario) siano noti per esibire il caos, la misurazione di tale caos tramite esponenti di Lyapunov è rimasta problematica.

Gli algoritmi standard di Lyapunov si basano sul concetto di una "stato" che determina l'evoluzione futura di un sistema. Tuttavia, un sistema frazionario non possiede un tale stato; il suo futuro dipende dall'intera sua storia. Di conseguenza, il sistema manca di un flusso nel senso tradizionale. I metodi esistenti o troncano la memoria (introducendo errori significativi) o applicano algoritmi standard a schemi troncati, calcolando esponenti per un sistema completamente diverso. Inoltre, la definizione matematica degli esponenti di Lyapunov per i sistemi frazionari è non banale perché la memoria del sistema invecchia, causando una crescita illimitata della norma della memoria anche su attrattori limitati.

2. Metodologia: L'Algoritmo del Sistema Aumentato

Il documento propone una soluzione pratica basata sulla "rappresentazione diffusiva", che trasforma il sistema frazionario in un sistema di equazioni differenziali ordinarie (ODE) a dimensione infinita. La metodologia centrale si basa su tre piloli:

A. Rappresentazione Diffusiva

Il nucleo di memoria a legge di potenza $k_\nu(\tau) = \tau^{\nu-1}/\Gamma(\nu)$ viene espresso come una sovrapposizione di esponenziali in decadimento:
$k_\nu(\tau) = \int_0^\infty \mu_\nu(\omega) e^{-\omega\tau} d\omega$
dove $\mu_\nu(\omega) \propto \omega^{-\nu}$ . Ciò consente di riscrivere il sistema frazionario come un "sistema aumentato" dove lo stato è la funzione $\omega \mapsto z(\omega, t)$ , che rappresenta i modi di memoria. Ogni modo soddisfa un'equazione differenziale ordinaria del primo ordine:
$\partial_t z(\omega, t) = -\omega z(\omega, t) + f(x(t))$
La variabile originale $x(t)$ viene recuperata tramite una somma pesata di questi modi. Questa formulazione converte il sistema frazionario in un sistema ODE autonomo con uno stato a dimensione infinita, rendendolo suscettibile agli strumenti standard della teoria dei sistemi dinamici.

B. Discretizzazione e Passo Temporale

Per implementare questo numericamente, il continuo dei modi viene discretizzato utilizzando una regola di quadratura che approssima l'integrale. Il documento impiega una strategia specifica per gestire la singolarità di $\mu_\nu(\omega)$ in $\omega=0$ :

Pannello Singolare: Una regola di Gauss-Jacobi viene utilizzata per l'intervallo $[0, \omega_{min}]$ per catturare i modi lenti e di invecchiamento essenziali per il comportamento a lungo termine.
Pannelli Geometrici: Regole di Gauss-Legendre in $\ln(\omega)$ sono utilizzate per i decenni successivi fino a $\omega_{max}$ .
Differenziazione Temporale Esponenziale (ETD): Poiché il sistema è rigido (stiff) (i tassi $\omega$ variano da $10^{-7}$ a $10^7$ ), la parte lineare delle equazioni dei modi viene integrata analiticamente, mentre il accoppiamento non lineare è gestito tramite uno schema Runge-Kutta del secondo ordine.

C. Sistema Tangente e Norma

Per calcolare gli esponenti di Lyapunov, la dinamica linearizzata del sistema aumentato viene integrata insieme alla traiettoria. Un'intuizione teorica critica detta la scelta della norma per l'ortonormalizzazione (tramite decomposizione QR):

La dinamica linearizzata consiste in un puro rilassamento (norma 1) e un accoppiamento compatto.
La teoria prevede che i sistemi frazionari non abbiano esponenti di Lyapunov negativi. Le perturbazioni che decadono lo fanno algebricamente (come una potenza di $t$ ), non esponenzialmente.
Pertanto, i vettori tangente devono essere ortonormalizzati in una norma pesata specifica: $\|( \delta a, \delta z )\|^2 = |\delta a|^2 + \sum w_i(1+\omega_i)|\delta z_i|^2$ . L'uso della norma euclidea standard produrrebbe risultati errati.

3. Contributi Chiave

Il documento fornisce un programma Python completo e autosufficiente (circa 150 righe) che implementa questo algoritmo. I suoi contributi specifici sono:

Un'Implementazione Funzionante: Uno script che simula sistemi caotici frazionari e calcola i loro esponenti di Lyapunov, validato su sistemi lineari con soluzioni esatte note.
Giustificazione Teorica del Design del Codice: Il documento spiega perché specifiche scelte di design (come l'inclusione del pannello singolare e la specifica norma pesata) sono necessarie, collegandole direttamente alle proprietà matematiche della rappresentazione diffusiva.
Chiarimento dell'Interpretazione dell'Output: Il documento stabilisce come leggere i risultati di un calcolo di Lyapunov frazionario:
- Gli esponenti positivi sono ben definiti e discreti.
- Gli esponenti non positivi non convergono verso numeri negativi ma scivolano lentamente verso lo zero.
- Un esponente che svanisce ( $\lambda \approx 0$ ) richiede l'ispezione della traiettoria per distinguere tra un equilibrio, una finestra periodica o un transitorio.

4. Risultati

Il programma è stato validato e applicato a diversi sistemi:

Validazione Lineare: Su un sistema lineare $CD^\nu x = \text{diag}(0.05, -1, -2)x$ con $\nu=0.8$ , il programma ha calcolato il più grande esponente come $0.023636$, corrispondente al valore teorico di $0.05^{1/0.8} \approx 0.023644$ entro lo $0.04\%$ . Gli altri esponenti sono correttamente scivolati verso lo zero invece di convergere verso $-1 $e$ -2$.
Sistema di Lorenz Frazionario ( $\nu=0.995$ ): Il programma ha calcolato un più grande esponente $\lambda_1 \approx 0.856$ (rispetto a $0.906$ per il sistema a ordine intero). Ha catturato correttamente la permanenza della traiettoria vicino agli equilibri prima che il caos si instauri.
Sistema di Chen Frazionario ( $\nu=0.9$ ): Il programma ha trovato $\lambda_1 \approx 2.33$ .
Finestre Periodiche: L'algoritmo ha identificato con successo una finestra periodica nel sistema di Chen a $\nu=0.99$ , dove l'esponente è scivolato verso lo zero e la traiettoria è diventata periodica dopo un lungo transitorio.

5. Significato e Rivendicazioni

Il documento si pone come un compagno pratico di un recente articolo teorico, mirando a risolvere l'ambiguità nella misurazione del caos nei sistemi frazionari. La sua importanza risiede nel:

Correggere i Malintesi: Dimostra che gli algoritmi standard di Lyapunov applicati a schemi di memoria troncata misurano il sistema sbagliato.
Definire lo Stato: Operazionalizza il concetto che "lo stato di un sistema frazionario è la sua memoria", permettendo l'applicazione della teoria standard dei sistemi dinamici.
Evitare Errori di Troncamento: Avverte esplicitamente contro il troncamento della memoria (rimozione dei modi lenti), mostrando tramite l'analisi dell'errore del nucleo che tale troncamento altera fondamentalmente il sistema e porta a grandi errori negli esponenti.
Ambito Modesto: L'autore non sostiene di aver risolto tutti i problemi della dinamica frazionaria, ma fornisce uno strumento robusto per simulare e analizzare gli attrattori caotici e i loro esponenti per sistemi della forma $CD^\nu x = f(x)$ . Il documento sottolinea che il lettore deve comprendere il comportamento specifico degli esponenti frazionari (la banda a zero) per interpretare correttamente l'output.