Złożoność i emergencja — chaos, atraktory i samoorganizacja…

Czym jest złożoność?

System złożony to taki, w którym proste reguły na poziomie lokalnym tworzą bogate, nieprzewidywalne zachowanie na poziomie globalnym. Reguły są deterministyczne — uruchom te same warunki początkowe dwa razy, a otrzymasz ten sam wynik. Ale niewielkie zmiany danych wejściowych po krótkim czasie prowadzą do skrajnie różnych wyników. To czuła zależność od warunków początkowych — znak rozpoznawczy chaosu.

Złożoność nie jest tym samym co skomplikowanie. System skomplikowany (jak silnik samochodowy) ma wiele części, ale jest przewidywalny i sprowadzalny do elementów składowych. System złożony (jak pogoda czy mózg) ma właściwości emergentne, których nie da się wywnioskować z samych części.

Chaos: układ Lorenza

W 1963 roku Ed Lorenz odkrył, że jego prosty model pogody, oparty na trzech równaniach różniczkowych zwyczajnych, nigdy nie da się przewidzieć na okres dłuższy niż ~2 tygodnie. Układ jest deterministyczny, ale chaotyczny:

Równania Lorenza (model konwekcji atmosferycznej)

dx/dt = σ(y − x)
dy/dt = x(ρ − z) − y
dz/dt = xy − βz

Klasyczne parametry: σ = 10 · ρ = 28 · β = 8/3

Mimo pełnej deterministyczności dwie trajektorie startujące w odległości 10⁻¹⁴ od siebie rozbiegają się wykładniczo — po około 35 jednostkach czasu są całkowicie nieskorelowane. Wykładnik Lapunowa λ ≈ 0,9 dla układu Lorenza ilościowo określa tempo tego rozbiegania się.

          // Układ Lorenza — całkowany metodą RK4
          function
          lorenzDerivatives({ x, y, z }) {
          const sigma = 10, rho
          = 28, beta = 8/3; return { dx: sigma * (y - x), dy: x * (rho
          - z) - y, dz: x * y - beta * z }; }

          // Dwa niemal identyczne warunki początkowe rozbiegają się
            całkowicie przy t ≈ 35
          const A = { x: 0.1,
          y: 0.1, z: 0.1 };
          const B = { x: 0.1,
          y: 0.1001, z: 0.1 };
          // różnica 0.01% w wartości y
        

Dziwne atraktory

Układ Lorenza nigdy się nie powtarza — bez końca wykreśla słynny kształt motyla w trójwymiarowej przestrzeni stanów, nigdy się nie przecinając. To dziwny atraktor: fraktalny zbiór, do którego zbiegają wszystkie sąsiednie trajektorie niezależnie od punktu startowego, a mimo to nigdy nie osiadają one na orbicie okresowej. Jego wymiar fraktalny wynosi w przybliżeniu 2,06.

Atraktor Lorenza

Trójwymiarowa orbita w kształcie motyla w przestrzeni stanów (x,y,z). Trajektorie nigdy się nie powtarzają; atraktor ma wymiar fraktalny ~2,06. Reprezentuje konwekcyjne wałki atmosferyczne.

Wykładnik Lapunowa

Mierzy, jak szybko rozbiegają się sąsiednie trajektorie. λ > 0 oznacza chaotyczność (rozbieganie wykładnicze); λ < 0 oznacza stabilność (trajektorie się zbiegają). Trudny do zmierzenia w zaszumionych danych.

Wymiar fraktalny

Atraktory zajmują przestrzeń pomiędzy wymiarami całkowitymi — atraktor Lorenza jest na tyle „2D”, by wypełniać powierzchnię, ale częściowo „3D”. Wymiar fraktalny = wzór zliczania kostek log(N)/log(1/ε).

Przestrzeń fazowa

Przestrzeń, w której każda oś to zmienna stanu (położenie, prędkość itd.). Zamiast śledzić czas, śledzisz trajektorię systemu przez wszystkie możliwe stany jednocześnie.

Bifurkacja: jak rodzi się chaos

Odwzorowanie logistyczne x_{n+1} = r·x_n·(1 − x_n) to najprostsze równanie, które generuje chaos. Modeluje ono populację z ograniczonym zasobem: x to ułamek pojemności środowiska, r to tempo wzrostu.

Dla r < 1: populacja wymiera
Dla 1 < r < 3: pojedynczy stabilny punkt stały
Dla 3 < r < 3,57: podwajanie okresu — cykle 2, 4, 8, 16 …
Dla r > 3,57: chaos (w większości), z wyspami okresowości

Diagram bifurkacji przedstawia stabilne atraktory w funkcji r — ujawnia stałą Feigenbauma δ ≈ 4,669, uniwersalny stosunek rządzący tym, jak szybko podwajanie okresu zbiega się do chaosu, występujący w setkach systemów fizycznych.

          // Generowanie danych diagramu bifurkacji
          for (let r =
          2.5; r <= 4.0; r
          += 0.001) { let x =
          0.5; for (let
          i = 0; i < 500;
          i++) x = r * x * (1 - x);
          // stan przejściowy
          for (let i =
          0; i < 200; i++)
          { x = r * x * (1 - x);
          plot(r, x);
          // zapis punktów atraktora
          } }
        

Samoorganizująca się krytyczność

Model kupki piasku Pera Baka (1987) pokazuje, że wiele systemów naturalnych samoistnie organizuje się w stan krytyczny — bez żadnego zewnętrznego strojenia. Wsypuj ziarnka piasku na stos; gdy lokalne nachylenie przekracza próg, ziarna osuwają się w lawinie. Rozkład wielkości lawin podąża za prawem potęgowym: wiele maleńkich lawin, mniej dużych i rzadkie katastrofalne zawalenia.

Ten potęgowy rozkład (szum 1/f) pojawia się w trzęsieniach ziemi (prawo Gutenberga-Richtera), pożarach lasów, korkach ulicznych, krachach finansowych oraz historii ewolucji (wymieraniach). System zawsze znajduje się blisko punktu krytycznego, ponieważ stany podkrytyczne przyciągają więcej wejścia (więcej piasku), a stany nadkrytyczne zapadają się z powrotem.

Gdzie złożoność pojawia się na stronie

Diagram bifurkacji

Interaktywny diagram bifurkacji odwzorowania logistycznego. Przybliżaj drzewo Feigenbauma — każda gałąź podwojenia okresu jest samopodobną kopią całości.

Bilard (bilard Sinaia)

Sprężyste zderzenia w ograniczonej arenie z okrągłą przeszkodą. Trajektorie są chaotyczne — różnica 10⁻¹⁵ radiana w kącie startowym prowadzi do zupełnie innej długoterminowej ścieżki.

Stado boidów

Trzy reguły Reynoldsa (separacja, wyrównanie, kohezja) tworzą realistyczne murmuracje bez żadnej globalnej koordynacji. Struktura globalna wyłania się wyłącznie z lokalnych decyzji agentów.

Paproć Barnsleya / IFS

Systemy funkcji iterowanych generują dokładne kształty fraktalne (paprocie, drzewa) poprzez powtarzane losowe przekształcenia afiniczne. Atraktor pojawia się niezależnie od punktu startowego.

Kolonia mrówek (stygmergia)

Każda mrówka podąża za lokalnymi gradientami feromonu. Kolonia wspólnie znajduje najkrótsze ścieżki — samoorganizujące się rozwiązanie problemu komiwojażera — bez centralnego kontrolera.

Rozprzestrzenianie choroby (SIR)

Model SIR ma próg krytyczny R₀ = 1. Poniżej niego epidemie wygasają; powyżej — rosną wykładniczo. To przejście fazowe — znak rozpoznawczy krytyczności.

Głęboka prawda: Chaos nie jest tym samym co losowość. Systemy chaotyczne są w 100% deterministyczne — ale ich długoterminowego stanu nie da się przewidzieć, ponieważ zawsze będzie brakować nam pełnej znajomości warunków początkowych. To fundamentalne ograniczenie przewidywalności, a nie wada naszych równań.