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

Nello studio dei sistemi complessi, gli scienziati spesso cercano regole semplici che governano il modo in cui le cose cambiano nel tempo. Una di queste regole è l'idea di una "mappa", una ricetta matematica che ti dice dove si troverà un sistema basandosi su dove si trova in questo momento. Nelle versioni più semplici, il futuro dipende solo dal presente. Ma molti sistemi del mondo reale, dal flusso dei fluidi alla diffusione delle malattie, hanno una memoria. Il loro futuro dipende non solo da dove sono ora, ma anche da dove sono stati nel passato. Quando questa memoria svanisce lentamente, come un eco che si affievolisce lasciando un'impronta per molto tempo, il sistema viene descritto utilizzando la matematica "frazionaria". Questi sistemi sono notoriamente difficili da studiare perché la loro lunga memoria significa che calcolare il passo successivo richiede la conoscenza di tutta la storia del sistema. Ciò li rende computazionalmente costosi e matematicamente opachi, lasciando gli scienziati incerti su come misurare il loro caos o prevedere il loro comportamento.

Un ricercatore di nome Stefano Fazzino ha ora trovato un modo per tagliare attraverso questa complessità, rivelando che questi sistemi carichi di memoria possono essere compresi come macchine semplici e autosufficienti. Rimmagineando la lunga storia del sistema non come un elenco di eventi passati, ma come una collezione di "modi" che svaniscono, Fazzino ha dimostrato che queste mappe frazionarie sono in realtà sistemi autonomi. In questa nuova visione, il sistema non ha bisogno di guardare indietro alla sua intera storia; invece, trasporta la sua storia dentro di sé sotto forma di questi modi, che si aggiornano automaticamente ad ogni passaggio. Questa svolta permette agli scienziati di simulare questi sistemi per milioni di passi su un normale laptop, un compito che precedentemente avrebbe richiesto mesi o sarebbe stato impossibile. Più importante ancora, questa nuova prospettiva chiarisce come il punto di partenza del sistema influenzi il suo futuro, una questione che ha confuso i ricercatori per anni.

Lo studio si concentra su due tipi specifici di queste mappe, che sono variazioni della famosa mappa logistica utilizzata per modellare la crescita della popolazione. Nella versione standard, la popolazione dell'anno prossimo dipende solo dalla popolazione attuale. Nelle versioni frazionarie, la nuova popolazione dipende da una media ponderata di ogni singolo anno precedente, con gli anni più vecchi che hanno meno influenza ma non scompaiono mai completamente. Fazzano ha dimostrato che queste due mappe, nonostante le loro diverse origini matematiche, condividono una struttura nascosta. I loro kernel di memoria — le regole che determinano quanto peso dare al passato — sono in realtà medie di semplici decadimenti geometrici. Ciò significa che l'intera storia infinita può essere sostituita da un insieme finito di circa cento o duecento "modi di memoria". Ogni modo agisce come un canale separato che ricorda il passato per una specifica durata, decadendo geometricamente nel tempo. Tracciando questi modi invece della storia grezza, il costo computazionale per eseguire una simulazione scende da una crescita quadratica, dove raddoppiare il tempo quadruplica il lavoro, a una crescita lineare, dove raddoppiare il tempo semplicemente raddoppia il lavoro. Questa efficienza rende possibile seguire il sistema per fino a cento milioni di passi, una scala necessaria per osservare comportamenti a lungo termine che prima erano nascosti.

Con questo nuovo potente strumento, Fazzino ha investigato una domanda fondamentale: come influisce la condizione iniziale, ovvero il valore di partenza del sistema, sul suo comportamento a lungo termine? Nei sistemi senza memoria, il punto di partenza conta di solito solo per un breve momento prima che il sistema si assesti in un modello. In questi sistemi frazionari, tuttavia, il punto di partenza agisce come una forza in decadimento che spinge il sistema per un tempo molto lungo. I ricercatori hanno scoperto che questa influenza svanisce lentamente, seguendo una legge di potenza in cui l'effetto diminuisce all'aumentare del numero di passi. Per i sistemi che si assestano in uno stato stazionario o in un ciclo ripetitivo, ciò significa che la sensibilità del sistema al suo punto di partenza svanisce anch'essa, diventando infine zero. Questo spiega perché i precedenti tentativi di misurare il caos di questi sistemi producevano talvolta numeri negativi confusi; si trattava probabilmente di artefatti a breve termine del sistema che stava lentamente dimenticando il suo inizio.

La scoperta più sorprendente è avvenuta nel regime caotico, dove il sistema si comporta in modo imprevedibile. Qui, la condizione iniziale non si limita a svanire; essa lascia un'impronta duratura sulle statistiche del caos. I ricercatori hanno osservato che il tasso con cui il sistema si espande e si contrae — il suo tasso di espansione locale, una misura chiave del caos — rimane dipendente dal punto di partenza per un tempo sorprendentemente lungo. In simulazioni con un ordine frazionario specifico, questa dipendenza era ancora chiaramente visibile dopo dieci milioni di iterazioni, una durata vastamente superiore al tempo necessario affinché le correlazioni interne del sistema scompaiano. Più il punto di partenza era lontano dalla media a lungo termine del sistema, più forte e duratura era questa deriva. Tuttavia, se il sistema viene avviato esattamente alla sua media a lungo termine, questa deriva svanisce e le statistiche diventano stazionarie immediatamente. Ciò suggerisce una regola semplice per studiare questi sistemi: per ottenere una vera misura del loro caos, bisogna o iniziare la simulazione dalla media del sistema o tenere conto dell'età della simulazione, poiché i risultati cambiano a seconda di quanto tempo il sistema è stato in funzione.

Questi risultati non si sono limitati ai modelli di popolazione monodimensionali. Fazzino ha ripetuto l'analisi su una versione bidimensionale della mappa, nota come mappa di Hénon, e ha trovato esattamente lo stesso comportamento. La condizione iniziale agiva come un termine di forcing in decadimento in entrambi i casi, causando l'invecchiamento delle statistiche caotiche. Ciò conferma che il fenomeno è una proprietà fondamentale dei sistemi frazionari con memoria a legge di potenza, piuttosto che un vezzo di una specifica equazione. Lo studio ha anche chiarito che lungo i percorsi regolari, non caotici, l'esponente di Lyapunov — un numero usato per quantificare il caos — è esattamente zero, il che significa che il sistema non mostra una sensibilità esponenziale alle condizioni iniziali nel senso tradizionale. I valori negativi riportati in studi precedenti erano probabilmente stime a tempo finito che non avevano ancora raggiunto il limite dello zero.

Il lavoro risolve un'ambiguità di lunga data nel campo fornendo un quadro coerente per definire e calcolare gli esponenti di Lyapunov per le mappe frazionarie senza tagliare arbitrariamente la memoria. Dimostra che l' "invecchiamento" delle statistiche del sistema non è un errore numerico ma una genuina proprietà fisica dei sistemi con memoria lunga. La condizione iniziale non è un dettaglio dimenticato, ma una forza persistente che plasma l'evoluzione del sistema per milioni di passi. Identificando questo meccanismo, la ricerca offre una via chiara per analizzare i sistemi complessi con memoria, suggerendo che per comprendere la vera natura del caos in questi sistemi, si debba guardare oltre il comportamento immediato e tenere conto del lento, svanente eco di dove il sistema è iniziato.