🌿 Barnsley-Farn — Iteriertes Funktionensystem

Jede Transformation folgt xn+1 = a*xn + b*yn + e und yn+1 = c*xn + d*yn + f. Der klassische Farn verwendet: f1 [a=0, b=0, c=0, d=0,16, e=0, f=0, p=0,01] für den Stiel; f2 [a=0,85, b=0,04, c=-0,04, d=0,85, e=0, f=1,6, p=0,85] für die Hauptblattspreite; f3 [a=0,2, b=-0,26, c=0,23, d=0,22, e=0, f=1,6, p=0,07] für das linke Fiederblatt; und f4 [a=-0,15, b=0,28, c=0,26, d=0,24, e=0, f=0,44, p=0,07] für das rechte Fiederblatt. Zusammen definieren diese 24 Zahlen den unendlichen Farnattraktor vollständig.

Der Barnsley-Farn hat eine Hausdorff-fraktale Dimension von etwa 1,74. Dieser Wert liegt zwischen 1 (eine Linie) und 2 (eine ausgefüllte Ebene) und spiegelt wider, dass der Farn eine komplexe selbstähnliche Kurve ist, die die Ebene teilweise ausfüllt, aber in keiner 2D-Region dicht ist. Die fraktale Dimension lässt sich durch Box-Counting schätzen: Deckt man den Farn mit Boxen abnehmender Seitenlänge ab, skaliert die benötigte Anzahl als Potenzgesetz mit Exponent ~1,74.

Barnsley und Alan Sloan gründeten Ende der 1980er-Jahre Iterated Systems Inc., um die fraktale Bildkompression (FIC) zu kommerzialisieren. Die Idee besteht darin, jedes Bild in überlappende selbstähnliche Regionen zu zerlegen und jede Region als kontraktive affine Abbildung zu kodieren. Der Decoder iteriert diese Abbildungen, bis der Attraktor zum Originalbild konvergiert. FIC erreichte Kompressionsraten von 100:1 oder mehr und wurde in den 1990er-Jahren in Microsoft Encarta und anderen CD-ROM-Enzyklopädien eingesetzt, bevor JPEG und MPEG dominierten.

Das Chaos-Spiel ist ein probabilistischer Algorithmus, den Michael Barnsley 1988 in seinem Buch „Fractals Everywhere“ vorstellte. Statt den Attraktor analytisch zu berechnen, wählt man einen zufälligen Startpunkt und wendet wiederholt eine zufällig gewählte (nach Wahrscheinlichkeit gewichtete) Kontraktionsabbildung an. Barnsley bewies, dass die Bahn für nahezu jeden Startpunkt letztlich den exakten Attraktor nachzeichnet. Die Methode ist rechnerisch effizient und visuell überzeugend, weil die Farnform aus scheinbarer Zufälligkeit entsteht.

Ein verbreiteter Irrtum ist, dass der Barnsley-Farn ein biologisches Modell einer tatsächlichen Farnart sei. In Wirklichkeit ist er eine rein mathematische Konstruktion — eine Menge von vier linearen Abbildungen, die Barnsley speziell deshalb wählte, weil ihr Attraktor einem Farn ähnelt. Echtes Farnwachstum wird von Genetik, Differentialgleichungen der Zellteilung und Umweltfaktoren bestimmt, nicht von vier festen affinen Abbildungen. Die visuelle Ähnlichkeit ist ein Zufall, der zeigt, wie einfache mathematische Regeln naturähnliche Komplexität erzeugen können — ein zentrales Thema der fraktalen Geometrie.

Neben dem Barnsley-Farn gibt es viele naturähnliche IFS-Fraktale. Das Sierpinski-Dreieck wird durch drei Kontraktionsabbildungen mit gleicher Wahrscheinlichkeit erzeugt und war einer der ersten untersuchten IFS-Attraktoren. Der Pythagoras-Baum verwendet verzweigende IFS-Abbildungen, um einen selbstähnlichen Baum zu erzeugen. Drachenkurven, Lévy-C-Kurven und der Heighway-Drache sind ebenfalls IFS-Attraktoren. Die vier Voreinstellungsvarianten in dieser Simulation — klassischer Farn, Thelypteridaceae (Mutanten-Farn), baumartiges IFS und Spiral-IFS — verwenden jeweils einen anderen Satz von vier affinen Koeffizienten, um unterschiedliche pflanzenähnliche oder geometrische Formen zu erzeugen.

IFS bleibt ein praktisches Werkzeug in der prozeduralen Grafik. Game-Engines und 3D-Rendering-Pipelines nutzen von IFS abgeleitete L-Systeme und stochastische Grammatiken, um Vegetation, Geländetexturen und Wolkenformen auf mehreren Detailstufen zu erzeugen. Die Forschung im maschinellen Lernen hat die fraktale Kompression mit neuronalen Netzen (tiefen fraktalen Autoencodern) wiederentdeckt, um optimale kontraktive Abbildungen aus Daten zu lernen. Die IFS-Theorie bildet zudem die Grundlage der Multifraktal-Analyse, die in der medizinischen Bildgebung, der Analyse von Finanzzeitreihen und der Turbulenzmodellierung eingesetzt wird, wo Signale in selbstähnliche Komponenten auf mehreren Skalen zerlegt werden.

Aktive Forschungsgebiete umfassen das inverse IFS-Problem — das automatische Finden der optimalen Menge affiner Abbildungen zur Annäherung einer beliebigen Form oder eines Bildes, heute mit genetischen Algorithmen und Deep Learning angegangen. Forscher untersuchen zudem zufällige IFS, bei denen die Abbildungen selbst stochastisch variieren, was zu „unscharfen“ Attraktoren mit probabilistischen Dimensionsspektren führt. In der reinen Mathematik bleiben offene Fragen zur exakten Hausdorff-Dimension selbstaffiner Attraktoren bestehen, wenn die Abbildungen nicht konform sind. Zusammenhänge zwischen IFS-Attraktoren und Zahlentheorie (über Bernoulli-Faltungen) sowie zur Geometrie von Julia-Mengen in komplexer Dynamik werden weiterhin erforscht.