Chaos deterministyczny opisuje sytuację pozornie paradoksalną: przyszłość układu wynika ze ściśle określonych reguł, nie pojawia się w nich żaden rzut kostką ani losowanie, a mimo to długoterminowego przebiegu nie można w praktyce dokładnie przewidzieć, informuje redakcja TopFlop. Problemem nie jest brak równania. Problem polega na tym, że minimalna różnica w stanie początkowym może z czasem zostać powiększona tak bardzo, iż dwie niemal identyczne trajektorie zaczynają przedstawiać zupełnie różne historie.
- Czym chaos deterministyczny różni się od zwykłej losowości
- Model Lorenza: trzy równania wystarczyły, by zobaczyć chaos
- Mapa logistyczna: chaos można uzyskać jednym równaniem
- Efekt motyla nie oznacza, że motyl „wywołuje huragan”
- Gdzie jeszcze występuje chaos i czego nie należy z niego wnioskować
- Pytania i odpowiedzi
To właśnie dlatego równanie może być znane, program komputerowy może prawidłowo je rozwiązywać, a wynik po odpowiednio długim czasie nadal pozostaje bardzo wrażliwy na niedokładność pomiarów. Klasycznym przykładem jest atmosfera. Edward Lorenz pokazał już w 1963 roku, że niewielkie zmiany stanu początkowego w prostym modelu konwekcji mogą prowadzić do bardzo różnych rozwiązań nieokresowych. Jego artykuł „Deterministic Nonperiodic Flow”, opublikowany w „Journal of the Atmospheric Sciences”, zajmuje strony 130–141 tomu 20 i stał się jednym z fundamentów współczesnej teorii chaosu.
Nie oznacza to, że w chaotycznym układzie „wszystko może się wydarzyć”. Przeciwnie: ewolucję nadal ograniczają równania, parametry, zasady zachowania energii czy geometria przestrzeni stanów. Nieprzewidywalność nie jest tutaj synonimem braku praw fizyki. Jest skutkiem sposobu, w jaki te prawa wzmacniają drobne różnice.
Czym chaos deterministyczny różni się od zwykłej losowości
Najważniejsze rozróżnienie dotyczy źródła niepewności. W procesie losowym przyszły wynik nie jest jednoznacznie wyznaczony przez obecny stan. W klasycznym przykładzie rzutu idealizowaną monetą model statystyczny przypisuje wynikom prawdopodobieństwa. W układzie deterministycznym przyszły stan wynika natomiast z określonego prawa ewolucji i z warunków początkowych.
Chaos pojawia się wtedy, gdy deterministyczność współistnieje z silną niestabilnością. Encyclopedia of Mathematics opisuje chaos jako zachowanie rozwiązań układu deterministycznego, które nie przechodzą po prostu do stanu stałego lub regularnego cyklu, lecz zachowują pozornie nieprzewidywalny charakter.
Jednym z kluczowych elementów definicji jest zależność trajektorii od warunków początkowych.
Można to zestawić w prosty sposób:
| Rodzaj układu | Czy istnieją określone reguły? | Czy mała zmiana początku może silnie zmienić przyszłość? | Czy wynik długoterminowy jest łatwy do przewidzenia? |
|---|---|---|---|
| Stabilny deterministyczny | Tak | Zwykle nie | Często tak |
| Chaotyczny deterministyczny | Tak | Tak | Zwykle nie |
| Losowy | Wynik zawiera składnik losowy | Nie musi mieć znaczenia | Nie w sensie pojedynczego wyniku |
| Okresowy | Tak | Zwykle ograniczenie | Tak, po rozpoznaniu cyklu |
Podstawowym mechanizmem jest wrażliwość na warunki początkowe. Jeśli dwa punkty startowe różnią się o niezwykle małą wartość, ich początkowe trajektorie mogą wyglądać praktycznie identycznie. Po pewnym czasie odległość pomiędzy nimi zaczyna jednak gwałtownie rosnąć. W części układów chaotycznych wzrost ten przez pewien okres ma charakter zbliżony do wykładniczego.
Tę właściwość mierzy między innymi wykładnik Lapunowa. Dodatni największy wykładnik Lapunowa oznacza wykładniczą niestabilność małych zaburzeń; w teorii układów dynamicznych jest często używany jako jeden z najważniejszych wskaźników chaosu. Scholarpedia podkreśla jednak, że sam dodatni wykładnik nie wystarcza automatycznie w każdym możliwym przypadku — istotne jest również to, czy trajektorie pozostają ograniczone i tworzą odpowiednią strukturę dynamiczną.
W uproszczeniu można zapisać wzrost małego zaburzenia jako:
δ(t) ≈ δ(0)e^(λt)
gdzie δ(0) oznacza początkową różnicę między dwoma stanami, t — czas, natomiast λ — wykładnik Lapunowa. Jeżeli λ jest dodatni, początkowy błąd może rosnąć bardzo szybko.
To prowadzi do ważnego wniosku. Nawet jeżeli znamy równania idealnie, fizycznego stanu rzeczywistego układu nie umiemy zmierzyć z nieskończoną dokładnością. Termometr, radar, satelita, czujnik ciśnienia czy obserwacja astronomiczna zawsze mają skończoną rozdzielczość. W systemie stabilnym niewielki błąd może pozostać niewielki. W systemie chaotycznym może po określonym czasie stać się dominującym źródłem różnicy między prognozą a rzeczywistością.
„Slightly differing initial states can evolve into considerably different states” — Edward N. Lorenz, „Deterministic Nonperiodic Flow”, 1963.
To zdanie dobrze oddaje istotę zjawiska, ale nie należy z niego wyciągać wniosku, że prognozowanie staje się całkowicie bezwartościowe. Przewidywanie nadal jest możliwe — tylko jego dokładność ma horyzont.
Model Lorenza: trzy równania wystarczyły, by zobaczyć chaos
Jednym z najważniejszych modeli jest atraktor Lorenza. Lorenz nie próbował w nim odwzorować całej ziemskiej atmosfery. Stworzył silnie uproszczony opis konwekcji cieplnej za pomocą trzech sprzężonych nieliniowych równań różniczkowych.
W standardowej postaci mają one formę:
dx/dt = σ(y − x)
dy/dt = x(ρ − z) − y
dz/dt = xy − βz
Dokumentacja DART przygotowana przez UCAR wskazuje, że system Lorenz 63 został opracowany jako uproszczony model rolek konwekcyjnych w atmosferze. Mimo skromnej liczby zmiennych pokazuje zachowanie chaotyczne, a kolejne wartości x, y i z tworzą charakterystyczny, dwupłatowy kształt przypominający skrzydła motyla.
Przy klasycznych parametrach σ = 10, ρ = 28 oraz β = 8/3 trajektoria nie ustala się w jednym punkcie ani nie powtarza dokładnie tej samej zamkniętej pętli.
Krąży w ograniczonym obszarze przestrzeni fazowej i przechodzi pomiędzy dwoma „płatami” atraktora w skomplikowany sposób.
To jeden z najbardziej obrazowych przykładów, dlaczego porządek matematyczny nie musi oznaczać prostoty wyniku. Każdy kolejny punkt wynika z wcześniejszego według tych samych równań. Nie ma generatora liczb losowych. Mimo to bardzo długiej sekwencji przejść między częściami atraktora nie można praktycznie wyznaczyć na podstawie przybliżonego stanu początkowego.
Mapa logistyczna: chaos można uzyskać jednym równaniem
Jeszcze prostszy przykład daje mapa logistyczna:
xₙ₊₁ = r xₙ(1 − xₙ)
Początkowo stosowano takie równania jako uproszczone modele dynamiki populacji. Matematycznie system pokazuje jednak znacznie bogatsze zachowanie.
Dla różnych wartości parametru r można obserwować kilka zupełnie różnych reżimów:
- zbieganie do jednego stabilnego stanu;
- oscylowanie między dwoma wartościami;
- cykle czterech, ośmiu, szesnastu i kolejnych wartości;
- coraz szybsze podwajanie okresu;
- obszary chaotyczne;
- niewielkie „okna” regularnego zachowania wewnątrz chaosu.
Wolfram MathWorld podaje, że kolejne bifurkacje podwajające okres występują między innymi przy r = 3, około 3,449490, 3,544090 i 3,564407, a ich punkt akumulacji znajduje się w pobliżu r = 3,569945672. Za nim występuje rozległy obszar zachowania chaotycznego, choć wewnątrz niego nadal pojawiają się okresowe „wyspy”.
To istotne, ponieważ równanie zajmuje jedną linię. Nie potrzeba tysięcy zmiennych ani wyjątkowo rozbudowanego modelu. Złożoność wyniku może być produktem nieliniowości i wielokrotnego powtarzania tej samej operacji.
Podobny mechanizm pokazuje, dlaczego w matematyce samo istnienie precyzyjnego wzoru nie wystarcza do intuicyjnego przewidywania jego konsekwencji. Dobrym uzupełnieniem jest materiał wyjaśniający, dlaczego w matematyce nie można po prostu dzielić przez zero i co dokładnie przestaje wtedy działać. W obu przypadkach kluczowe jest odróżnienie potocznego wyobrażenia o równaniu od formalnych własności systemu.
Efekt motyla nie oznacza, że motyl „wywołuje huragan”
Najbardziej znanym popularnym określeniem związanym z teorią chaosu jest efekt motyla. Często przedstawia się go zbyt dosłownie: niewielkie wydarzenie ma rzekomo „spowodować” późniejszą katastrofę. Sens matematyczny jest bardziej precyzyjny.
Chodzi o to, że drobna zmiana warunków początkowych może po wystarczająco długim czasie doprowadzić do dużej różnicy między dwiema możliwymi trajektoriami tego samego układu. Nie oznacza to prostego łańcucha typu „motyl → tornado”. Atmosfera jest wielowymiarowym systemem, w którym oddziałuje ogromna liczba procesów.
UCAR przypomina, że Lorenz rozwijał koncepcję ograniczonej przewidywalności atmosfery jeszcze przed powstaniem pełnej teorii chaosu. W późniejszej popularyzacji pojawiło się pytanie z jego wystąpienia z 1972 roku: czy ruch skrzydeł motyla w Brazylii może wiązać się z tornadem w Teksasie. Była to ilustracja problemu wrażliwości, a nie mechanistyczna teza o pojedynczym owadzie sterującym pogodą.
Meteorologia pokazuje konsekwencje wyjątkowo wyraźnie. Atmosferę opisują prawa fizyki, ale jej aktualnego stanu nie znamy w każdym punkcie z nieskończoną precyzją. Modele numeryczne rozpoczynają więc pracę od możliwie najlepszego oszacowania temperatury, wilgotności, ciśnienia i wiatru.
Jeżeli dwie symulacje wystartują z minimalnie różnymi wartościami, ich wyniki początkowo mogą być niemal identyczne. Następnie zaczynają się rozchodzić.
Badania opisane przez NCAR pokazały w idealizowanych eksperymentach, że jakość szczegółowej prognozy pogody szybko spada wraz z wydłużaniem horyzontu.
W jednym z eksperymentów zauważalne pogorszenie zaczynało się po około sześciu dniach, natomiast po 17 dniach prognoza szczegółowego stanu atmosfery nie była lepsza od wykorzystania informacji klimatologicznej. Nie jest to uniwersalna liczba dla każdego rodzaju prognozy, ale pokazuje istnienie fizycznej granicy przewidywalności.
Temat ma także praktyczny wymiar w Polsce. W materiale o tym, dlaczego ekstremalną pogodę trudno dokładnie przewidzieć nawet dobę wcześniej, opisano między innymi rolę wilgotności, radarów, GNSS, modeli o rozdzielczości kilku kilometrów oraz gwałtownego rozwoju lokalnych komórek burzowych. Jedna z kluczowych różnic polega na tym, że model może dobrze wskazywać region zagrożenia, a jednocześnie nie potrafić wiele godzin wcześniej określić dokładnej ulicy, nad którą przejdzie maksimum opadu.
Prognozowanie zespołowe częściowo odpowiada na ten problem. Zamiast uruchamiać jedną symulację, meteorolodzy wykonują wiele obliczeń z lekko zmienionymi warunkami początkowymi i parametrami. Jeżeli wyniki pozostają blisko siebie, prognoza jest stabilniejsza. Jeżeli szybko się rozchodzą, informacja o samym rozrzucie staje się ważna.
Można więc powiedzieć, że teoria chaosu zmieniła znaczenie słowa „prognoza”. Nie zawsze chodzi o znalezienie jednej przyszłości. Często ważniejsze jest określenie zakresu możliwych scenariuszy i czasu, przez jaki informacje o obecnym stanie systemu zachowują wartość prognostyczną.
ECMWF w opracowaniu Lorenza „Predictability: a problem partly solved” opisuje przewidywalność przez pryzmat wzrostu błędu między stanem zakładanym lub prognozowanym a stanem rzeczywistym. Lorenz wiązał tempo wzrostu bardzo małych błędów właśnie z liczbami i wykładnikami Lapunowa.
Gdzie jeszcze występuje chaos i czego nie należy z niego wnioskować
Deterministyczne zachowania chaotyczne badane są w wielu dziedzinach fizyki i matematyki. Pojawiają się w modelach przepływu płynów, niektórych układach mechanicznych, oscylatorach, obwodach elektronicznych oraz modelach astronomicznych. Nie każdy skomplikowany wykres jest jednak dowodem na chaos, podobnie jak nie każda nieregularność w danych oznacza istnienie atraktora chaotycznego.
Do rozpoznawania chaosu wykorzystuje się zestaw narzędzi, a nie jeden wizualny efekt:
- analizę wrażliwości na warunki początkowe;
- obliczanie wykładników Lapunowa;
- rekonstrukcję przestrzeni fazowej;
- przekroje Poincarégo;
- badanie bifurkacji;
- analizę widma i korelacji;
- ocenę struktury atraktora;
- porównywanie danych z odpowiednimi modelami stochastycznymi.
Sam dodatni wykładnik Lapunowa także trzeba interpretować ostrożnie. Scholarpedia zwraca uwagę, że dodatni największy wykładnik opisuje wykładniczą niestabilność, lecz w szczególnych sytuacjach nie powinno się automatycznie utożsamiać go z pełnym chaosem.
| Pojęcie | Co oznacza | Czego nie oznacza |
|---|---|---|
| Determinizm | Przyszłość wynika z reguł i stanu początkowego | Że przyszłość zawsze potrafimy obliczyć |
| Chaos | Silna niestabilność i złożona ewolucja deterministyczna | Braku praw lub zasad |
| Efekt motyla | Wrażliwość na małe różnice początkowe | Że dowolny mały impuls wywoła dowolną katastrofę |
| Wykładnik Lapunowa | Tempo rozchodzenia się bliskich trajektorii | Samodzielny dowód każdego rodzaju chaosu |
| Atraktor | Zbiór stanów, ku którym zmierza dynamika | Konkretną pojedynczą przyszłą trajektorię |
| Prognoza zespołowa | Zbiór symulacji pokazujący niepewność | Eliminację nieprzewidywalności |
Istotna jest również różnica między chaosem a skomplikowaniem obliczeniowym. Układ może mieć bardzo trudne równania, ale nie wykazywać chaosu. Z drugiej strony wyjątkowo prosty wzór, taki jak mapa logistyczna, może generować chaotyczną dynamikę.
To samo dotyczy algorytmów używanych na co dzień. System przewidujący czas podróży może korzystać z ogromnej liczby danych i ciągle aktualizować wynik, ale sama zmienność czasu przejazdu nie dowodzi chaosu deterministycznego.
Warto zobaczyć, jak Google Maps aktualizuje przewidywany czas przyjazdu przy zmieniającej się prędkości samochodu — jest to dobry przykład różnicy między modelem prognostycznym, napływem nowych danych i rzeczywistą dynamiką układu.
Chaos nie oznacza również, że nauka przestaje cokolwiek przewidywać. Można przewidywać własności statystyczne, zakresy wartości, prawdopodobieństwa, strukturę atraktora czy średnie zachowanie całych zespołów trajektorii, nawet jeśli pojedynczego stanu w dalekiej przyszłości nie da się wskazać dokładnie.
Przewidywalność ma więc kilka poziomów: można nie znać dokładnej przyszłej trajektorii, a jednocześnie dobrze znać reguły, granice i statystyczne własności systemu.
Dobrym przykładem są modele klimatyczne. Pogoda konkretnego dnia za wiele miesięcy pozostaje poza zakresem deterministycznej prognozy, lecz klimat nie jest tym samym co pojedyncza trajektoria pogody. Modele mogą badać rozkłady temperatur, bilans energetyczny czy długookresową reakcję systemu na wymuszenia zewnętrzne.
Lorenz w swoich pracach wyraźnie rozróżniał problem przewidywania szczegółowego stanu systemu od przewidywania jego własności długoterminowych.
Z punktu widzenia praktycznego teoria chaosu nauczyła naukowców jednej rzeczy szczególnie mocno: pomiar niepewności jest częścią prognozy, a nie oznaką jej słabości.
Pytania i odpowiedzi
Czy chaos deterministyczny jest naprawdę przypadkowy?
Nie. W klasycznym chaosie deterministycznym kolejne stany wynikają z jednoznacznie określonych równań. To, co przypomina losowość, powstaje z powodu wrażliwości na minimalne różnice w warunkach początkowych oraz ograniczonej dokładności pomiarów i obliczeń.
Dlaczego nie wystarczy znać dokładnego wzoru?
Ponieważ wzór mówi, jak system ewoluuje od określonego punktu początkowego. Jeżeli system chaotyczny silnie wzmacnia błędy, różnica między rzeczywistym stanem początkowym a jego pomiarem z czasem rośnie. Matematyczna reguła pozostaje poprawna, ale zastosowanie jej do niedokładnie znanego stanu daje ograniczony horyzont przewidywania.
Czy komputery kwantowe albo znacznie szybsze superkomputery usuną chaos?
Nie. Większa moc obliczeniowa pozwala stosować dokładniejsze modele, mniejsze kroki czasowe i więcej symulacji, lecz nie usuwa fundamentalnego problemu skończonej dokładności stanu początkowego. Komputer może zmniejszyć część błędów numerycznych, ale nie zapewni nieskończenie dokładnego pomiaru rzeczywistego układu.
Co oznacza dodatni wykładnik Lapunowa?
W typowym układzie chaotycznym oznacza, że bardzo bliskie trajektorie mają tendencję do wykładniczego rozchodzenia się. Im większa dodatnia wartość, tym krótszy może być czas, przez który szczegółowa prognoza zachowuje użyteczność. Sam wykładnik trzeba jednak analizować razem z całą dynamiką systemu.
Czy efekt motyla działa tylko w pogodzie?
Nie. Atmosfera stała się najbardziej znanym przykładem dzięki pracom Lorenza, ale wrażliwość na warunki początkowe występuje również w wielu innych nieliniowych układach matematycznych i fizycznych. Pogoda jest po prostu szczególnie czytelnym przykładem, ponieważ konsekwencje ograniczonej przewidywalności obserwujemy codziennie.
Czy chaos oznacza, że długoterminowe prognozy są zawsze bezużyteczne?
Nie. Trzeba rozróżnić prognozę dokładnego stanu od prognozy statystycznej. W chaotycznym systemie konkretna trajektoria może po pewnym czasie stać się nieprzewidywalna, ale nadal można określać zakresy możliwych stanów, prawdopodobieństwa, średnie wartości i właściwości całej dynamiki.
Chaos deterministyczny jest więc jednym z najmocniejszych przykładów tego, że „znam równanie” oraz „znam przyszłość” nie znaczą tego samego. Lorenz pokazał, że deterministyczne równania mogą generować niestabilne i nieokresowe rozwiązania, a późniejsza teoria układów dynamicznych pozwoliła tę intuicję zapisać za pomocą atraktorów, bifurkacji i wykładników Lapunowa.
Najbardziej praktyczna lekcja nie brzmi zatem „niczego nie da się przewidzieć”. Brzmi: trzeba wiedzieć, co da się przewidzieć, z jaką dokładnością i przez jaki czas. Właśnie dlatego współczesne prognozy naukowe coraz częściej podają nie tylko jeden wynik, lecz również zakres niepewności oraz wiele możliwych scenariuszy.
Warto przeczytać także nasz kolejny materiał, w którym szerzej wyjaśniamy podobny temat: Johnny Depp zadebiutował jako rzeźbiarz: czym portret rzeźbiarski różni się od malowanego
