Fizyka klasyczna, rozwijana przez Newtona, malowała obraz deterministycznego wszechświata. Znając dokładne położenie i prędkość każdej cząstki, przyszłość można było w zasadzie obliczyć z dowolną precyzją. Ten pogląd przetrwał dwa stulecia. Potem, pod koniec dziewiętnastego i w dwudziestym wieku, matematycy i naukowcy odkryli haczyk: sformułowanie „w zasadzie" wykonuje w tym zdaniu ogromną pracę. Wiele układów deterministycznych jest obliczeniowo nieredukowalnych — jedynym sposobem poznania ich przyszłości jest uruchomienie ich i obserwowanie w czasie.
Determinizm bez przewidywalności
Kluczowa myśl teorii chaosu brzmi: układ może być jednocześnie deterministyczny (bez żadnej przypadkowości w swoich regułach) i nieprzewidywalny (niemożliwy do prognozowania w praktyce). Nieprzewidywalność nie wynika z losowości, lecz z eksponencjalnego wzmacniania początkowej niepewności.
Wyobraź sobie, że znasz stan początkowy chaotycznego układu z dokładnością 99,9% — błąd wynosi jedną tysięczną. Po pewnym czasie ten błąd się podwaja. Potem podwaja się ponownie. Chaos oznacza, że błąd podwaja się w mniej więcej stałym tempie. Po odpowiedniej liczbie podwojeń twoja początkowa niepewność rzędu 0,1% urasta do 100%, i nie wiesz już nic o obecnym stanie układu. W przypadku układu Lorenza — uproszczonego modelu konwekcji atmosferycznej — dzieje się to w ciągu kilku dni.
Dlatego prognozowanie pogody na okres dłuższy niż około dwóch tygodni jest fundamentalnie niemożliwe, a nie jedynie ograniczone technologicznie. Większa moc obliczeniowa i więcej stacji pogodowych pomagają wydłużyć użyteczny horyzont prognozy z kilku dni do być może dwunastu — ale bariera dwóch tygodni to matematyczna ściana, a nie wyzwanie inżynieryjne.
Nieskończenie małe różnice w stanach początkowych z czasem prowadzą do eksponencjalnie rozbiegających się trajektorii.
Ograniczony obszar przestrzeni stanów, który układ chaotyczny eksploruje bez końca, nigdy się nie powtarzając.
Miara tego, jak szybko rozbiegają się sąsiednie trajektorie; wartość dodatnia oznacza chaos.
Dziwne atraktory mają niecałkowity wymiar — nie są ani krzywą, ani powierzchnią.
Układ Lorenza: trzy równania, nieskończona złożoność
W 1963 roku meteorolog z MIT Edward Lorenz opublikował uproszczony zestaw trzech równań różniczkowych modelujących konwekcję atmosferyczną — cyrkulację powietrza ogrzewanego od dołu i chłodzonego od góry. Równania opisują, jak w czasie zmieniają się trzy wielkości: tempo konwekcyjnego przewracania (x), poziomy gradient temperatury (y) oraz pionowy gradient temperatury (z).
Kiedy Lorenz naniósł trajektorie swojego układu w przestrzeni trójwymiarowej — na osiach x, y, z — odkrył coś niezwykłego. Trajektoria nigdy nie ustalała się w punkcie stałym, nigdy nie wchodziła w powtarzający się cykl, ale też nigdy nie uciekała do nieskończoności. Kreśliła ograniczoną, nigdy niepowtarzającą się ścieżkę przypominającą dwie splecione ze sobą spirale — dziś już słynny kształt motyla. To atraktor Lorenza, pierwszy opisany dziwny atraktor.
Kształt motyla tego atraktora ma wymiar fraktalny wynoszący około 2,06 — nieco więcej niż powierzchnia dwuwymiarowa, nieco mniej niż bryła trójwymiarowa. Zajmuje wycinek przestrzeni stanów o niecałkowitym wymiarze. Ta struktura fraktalna jest charakterystyczna dla dziwnych atraktorów i łączy teorię chaosu z geometrią fraktali rozwiniętą przez Benoit Mandelbrota.
Zobacz atraktor Lorenza na żywo
Nasza symulacja atraktora Lorenza kreśli trajektorię motyla w czasie rzeczywistym w 3D. Zmieniaj parametry układu σ, ρ i β i obserwuj, jak różne wartości prowadzą do chaosu, orbit okresowych albo zbieżności do punktów stałych.
Wykładniki Lapunowa: mierzenie tempa chaosu
Jak bardzo chaotyczny jest dany układ? Odpowiedź mierzą wykładniki Lapunowa — nazwane na cześć rosyjskiego matematyka Aleksandra Lapunowa, który w latach 90. XIX wieku opracował teorię stabilności. Wykładnik Lapunowa mierzy, jak szybko rozbiegają się dwie początkowo bliskie trajektorie.
Formalnie największy wykładnik Lapunowa λ opisuje średnie tempo eksponencjalnego rozbiegania się trajektorii. Jeśli λ > 0, układ jest chaotyczny: małe różnice rosną jak eλt. Jeśli λ = 0, trajektorie rozbiegają się wielomianowo albo pozostają razem (ruch okresowy lub quasi-okresowy). Jeśli λ < 0, układ zbiega się — jest przyciągany do punktów stałych lub stabilnych cykli granicznych.
Dla atraktora Lorenza największy wykładnik Lapunowa wynosi około 0,9. Oznacza to, że dwie trajektorie rozpoczynające się w odległości jednego milimetra od siebie znajdują się średnio w odległości jednego metra po około 5 jednostkach czasu Lorenza, a w odległości jednego kilometra — po 10 jednostkach. Czas podwojenia błędu wynosi około 0,77 jednostki czasu Lorenza — w rzeczywistym układzie atmosferycznym odpowiada to kilku dniom.
Podwójne wahadło: chaos na biurku
Układ Lorenza jest matematyczną abstrakcją, ale chaos pojawia się też w prostych układach fizycznych. Podwójne wahadło — dwa sztywne pręty połączone końcami, swobodnie zawieszone — to najbardziej dostępny przykład.
Pojedyncze wahadło jest całkowicie przewidywalne: kołysze się tam i z powrotem po sinusoidalnym łuku, a znając jego długość i kąt początkowy, można obliczyć jego położenie w dowolnej przyszłej chwili prostą trygonometrią. Dołącz drugie wahadło do końca pierwszego, a sprzężenie między dwoma ramionami wprowadza nieliniowość. Dla dużych kątów początkowych układ staje się chaotyczny — drugie ramię nieprzewidywalnie przekręca się przez górę, a dwa wahadła uruchomione z pozycji różniących się o ułamek stopnia po kilku sekundach podążą zupełnie różnymi trajektoriami.
Chaos na biurku
Wypróbuj naszą symulację podwójnego wahadła. Uruchom trzy wahadła z niemal identycznych kątów początkowych i obserwuj, jak się rozchodzą. Włącz śledzenie toru, aby zobaczyć fraktalne wzory, które z czasem tworzą ich ścieżki.
Odwzorowanie logistyczne: chaos z prostoty
Być może najbardziej uderzającym przykładem chaosu w prostym układzie jest odwzorowanie logistyczne — pojedyncze równanie służące do modelowania wzrostu populacji: xn+1 = r · xn · (1 − xn). Tu x oznacza populację jako ułamek maksymalnej pojemności, a r to tempo wzrostu.
Dla niskich wartości r populacja zbiega do punktu stałego. Gdy r przekracza 3,0, populacja zaczyna oscylować między dwiema wartościami — następuje podwojenie okresu. Powyżej 3,45 oscyluje już między czterema wartościami. Wraz ze wzrostem r podwojenia następują coraz szybciej, aż przy r ≈ 3,57 układ staje się chaotyczny — populacja nigdy się nie powtarza. Ta kaskada podwojeń okresu poprzedzająca wejście w chaos nazywana jest dziś scenariuszem Feigenbauma, a stosunek kolejnych przedziałów podwojeń zbiega do uniwersalnej stałej (≈ 4,669), która pojawia się w każdym układzie przechodzącym w chaos przez podwajanie okresu.
Odwzorowanie logistyczne pokazuje, że chaos nie wymaga skomplikowanego mechanizmu. Jedno równanie, jeden parametr, jedna zmienna — a cała złożoność zachowania chaotycznego wyłania się z nieliniowego sprzężenia x z samym sobą poprzez wyrażenie (1 − x).
Dlaczego chaos to nie to samo co przypadkowość
Układy chaotyczne są często mylone z układami losowymi, ale są zasadniczo różne. Układ losowy ma naprawdę nieprzewidywalne wyniki, ponieważ na każdym kroku wprowadzana jest nowa losowość. Układ chaotyczny jest w pełni deterministyczny: uruchom go z tego samego stanu początkowego, a zawsze otrzymasz dokładnie ten sam wynik. Nieprzewidywalność wynika wyłącznie z naszej niezdolności do poznania warunku początkowego z wystarczającą precyzją.
To rozróżnienie ma praktyczne konsekwencje. Układy chaotyczne mają strukturę: są ograniczone, mają atraktory, mają charakterystyczne skale czasowe. Układy losowe takiej struktury nie mają. Teoria chaosu dostarcza narzędzi — wykładników Lapunowa, rekonstrukcji atraktorów, wykresów rekurencji — do charakteryzowania, a czasem i kontrolowania układów chaotycznych. Techniki te zastosowano w wykrywaniu epilepsji, migotania serca, stabilizacji laserów, sterowaniu reaktorami chemicznymi i analizie rynków finansowych.
Odkrycie, że determinizm nie oznacza przewidywalności, było jednym z głównych przełomów intelektualnych dwudziestego wieku. Nakłada ono fundamentalne ograniczenia na prognozowanie, kontrolę i wiedzę, których nie da się przezwyciężyć żadnym wzrostem mocy obliczeniowej — i zmieniło sposób, w jaki myślimy o złożonych układach w biologii, ekonomii, klimatologii i wielu innych dziedzinach.