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

In de studie van complexe systemen, van de kolkende patronen van het weer tot het vuren van neuronen, zoeken wetenschappers vaak naar een handtekening van chaos. Deze handtekening is een maatstaf voor hoe snel twee bijna identieke startpunten uit elkaar drijven in de loop van de tijd. Als ze snel uiteenlopen, is het systeem chaotisch en op de lange termijn onvoorspelbaar; als ze dicht bij elkaar blijven, is het systeem stabiel. Decennialang hebben onderzoekers een specifieke wiskundige tool gebruikt om deze snelheid van uiteenlopen te berekenen, bekend als de Lyapunov-exponent. Dit instrument werkt prachtig voor systemen die zich gedragen als standaard klokken, waarbij de toekomst alleen afhangt van het huidige moment. Veel real-world materialen en processen, zoals de manier waarop rubber uitrekt of hoe elektriciteit door bepaalde batterijen beweegt, volgen echter niet deze eenvoudige regels. Ze bezitten een "geheugen", wat betekent dat hun huidige staat wordt beïnvloed door alles wat er in het verleden is gebeurd. Wanneer wetenschappers proberen de standaardtools toe te passen op deze geheugenrijke systemen, zijn de resultaten verwarrend en vaak tegenstrijdig.

Een nieuwe studie door onafhankelijk onderzoeker Stefano Fazzino adresseert deze verwarring door te definiëren hoe we chaos meten in systemen met een geheugen. Het artikel richt zich op een specifiek type wiskundig model genaamd een fractie-orde systeem, dat wordt gebruikt om processen te beschrijven waarbij het verleden zwaar weegt op het heden. In tegen tegenstelling tot standaard systemen, kijken deze modellen niet alleen naar de huidige snelheid van verandering; ze kijken naar de volledige geschiedenis van het systeem, reikend tot aan het allereerste begin. Fazzino betoogt dat vanwege deze diepe verbinding met het verleden, de standaard manier van het berekenen van chaos faalt. Hij stelt een nieuwe methode voor die het geheugen van het systeem niet behandelt als een vage achtergrondinvloed, maar als een enorme collectie verborgen interne toestanden, die elk op hun eigen snelheid ontspannen. Door het systeem door deze uitgebreide lens te bekijken, is hij in staat om de strikte wiskundige regels van de chaostheorie toe te passen die voorheen niet beschikbaar waren.

De kernontdekking van dit werk is dat de manier waarop we chaos in deze geheugensystemen hebben berekend, fundamenteel gebrekkig is. Wanneer onderzoekers standaard computercodes gebruiken om te schatten hoe snel deze systemen chaotisch worden, krijgen ze vaak negatieve getallen voor de snelheden van uiteenlopen, wat suggereert dat het systeem krimpt of stabiliseert. Fazzino's analyse laat zien dat deze negatieve getallen geen ware maten zijn van de langetermijnstabiliteit van het systeem. In plaats daarvan vertegenwoordigen ze de contractiesnelheden van de observeerbare grootheid op korte tijdschalen of zijn het spookachtige artefacten die ontstaan wanneer het geheugen wordt afgekapt. In werkelijkheid bestaat het ware spectrum van uiteenlopen voor deze fractie-orde systemen uit positieve waarden die chaos aangeven, een nul-exponent geassocieerd met de flow, en een essentiële band waar alle andere exponenten verdwijnen. De negatieve waarden gerapporteerd door bestaande software zijn geen ware indicatoren van de intrinsieke stabiliteit van het systeem; ze zijn slechts de snelheid waarmee de berekeningsmethode het geheugen vergeet dat het juist in stand moest houden.

Om tot deze conclusie te komen, transformeerde Fazzino het probleem naar een andere wiskundige ruimte. In plaats van te proberen een enkel punt door de tijd te volgen, stelde hij zich het systeem voor als een continue stroom van interne filters, of "modi", die informatie over het verleden opslaan. Sommige van deze filters houden informatie voor een zeer korte tijd vast, terwijl andere het voor een ongelooflijk lange tijd vasthouden. Deze benadering onthulde een fenomeen genaamd "veroudering" (ageing). Omdat het systeem zijn startpunt nooit echt vergeet, wordt het geheugen van die initiële conditie sterker naarmate de tijd verstrijkt, zelfs als het zichtbare gedrag van het systeem stabiel lijkt. Dit betekent dat het systeem niet invariant is; het verandert van karakter naarmate het ouder wordt. De studie bewijst dat om chaos correct te definiëren, men naar het gedrag van het systeem moet kijken nadat het zich in een constant ritme heeft genesteld, in plaats van te proberen te meten vanaf het allereerste moment dat het begint.

Het artikel testte ook hoe verschillende manieren van het vereenvoudigen van het geheugen de resultaten beïnvloeden. In computersimulaties is het vaak noodzakelijk om het geheugen na een bepaalde tijd af te kappen om rekenkracht te besparen. Fazzino vond dat het ertoe doet waar je die afkap maakt. Als je het geheugen afkapt in het deel van de vergelijking dat de veranderingssnelheid beschrijft, blijven de resultaten accuraat en gedraagt het systeem zich zoals verwacht. Echter, als je het geheugen afkapt in het deel dat de geschiedenis optelt, verandert het systeem volledig. In die gevallen kan het chaotische gedrag volledig verdwijnen, of kan het systeem worden gedwongen in een stabiele staat die het in de werkelijkheid nooit zou bereiken. De studie laat zien dat een geheugenvenster van slechts honderd tijdseenheden de chaotische natuur van een systeem dat chaotisch zou moeten zijn, kan vernietigen, terwijl een venster van vijfhonderd eenheden de gemeten chaos met de helft kan verminderen. Dit suggereert dat veel eerdere studies die gebruik maakten van deze verkortingen, wellicht een ander, minder chaotisch systeem bestudeerden dan het systeem dat ze bedoelden te modelleren.

Verder verheldert het onderzoek waarom de standaard "nul"-exponent, die gewoonlijk aangeeft dat een systeem langs een stabiel pad beweegt, ontbrak in eerdere berekeningen. In een systeem met een geheugen fungeert de richting van de tijd zelf als een speciaal pad dat niet groeit of krimpt. De nieuwe methode vangt dit op en laat zien dat het systeem inderdaad een nul-exponent heeft, maar alleen wanneer het geheugen correct wordt behandeld. De studie suggereert ook dat in de lineaire versies van deze systemen de zichtbare delen van het systeem niet exponentieel snel krimpen zoals in standaard systemen; in plaats daarvan vervagen ze zeer langzaam, volgens een machtswet (power law). Dit langzame vervagen verklaart waarom de negatieve exponenten gezien in oudere computercodes eigenlijk slechts kortetermaatmetingen van dit langzame verval waren, in plaats van echte indicatoren van stabiliteit.

De implicaties van deze bevindingen zijn aanzienlijk voor iedereen die complexe materialen of apparaten modelleert. De studie biedt een nieuwe, betrouwbare manier om de Lyapunov-exponenten voor deze systemen te berekenen, waarbij bevestigt dat de positieve exponenten echt en robuust zijn, terwijl de negatieve exponenten grotendeels wiskundige artefacten of kortetermijncontractiesnelheden zijn. Het waarschuwt dat het gebruik van vaste geheugenvensters in bepaalde soorten berekeningen kan leiden tot valse conclusies over de vraag of een systeem chaotisch of stabiel is. De auteur raadt een specifieke aanpak aan die het geheugen van de veranderingssnelheid intact houdt, of het gebruik van de nieuwe methode gebaseerd op de interne modi, om nauwkeurigheid te garanderen. Hoewel het wiskundige bewijs voor het bestaan van een stabiele, langetermijntoestand in deze chaotische systemen een hypothese blijft, ondersteunt het numerieke bewijs de nieuwe definitie sterk. Het werk biedt niet alleen een nieuwe berekening; het biedt een gecorrigeerd begrip van hoe geheugen de onvoorspelbaarheid van de wereld om ons heen vormgeeft.