Хаос оказался не таким уж и случайным: найден метод расчета турбулентных систем

Допустим, мы наблюдаем за сложной системой. Это может быть турбулентный поток газов за крылом самолета, колебания климата или динамика нейронной сети. У нас есть данные — ряды чисел с датчиков, но нет правил, по которым система живет. Наша задача — восстановить эти правила.

Это — фундаментальная проблема идентификации систем. И хаос делает ее почти нерешаемой.

В хаотических системах малейшее отклонение в начальных условиях приводит к совершенно разным траекториям в будущем. Если мы создадим почти идеальную модель погоды, ее прогноз разойдется с реальностью не через месяцы, а через дни. Прямое сравнение траекторий — предсказанной и реальной — становится бессмысленным. Как тогда понять, хороша ли наша модель?

Статистический «портрет» вместо траектории

Чтобы обойти эту проблему, ученые давно отказались от покадрового сравнения. Вместо этого они сравнивают статистические свойства систем. Для этого существует инструмент — инвариантная мера.

Что это такое? Инвариантная мера — это, по сути, вероятностное распределение, которое показывает, в каких состояниях система проводит больше всего времени. Как в тепловой карте: области, где траектория бывает чаще, будут горячее. Эта карта и есть визуализация инвариантной меры. Она не зависит от начальной точки (рано или поздно система выйдет на свой аттрактор) и устойчива к небольшому шуму в данных.

Звучит отлично. Но есть фундаментальная проблема, которая долгое время мешала этому подходу.

Разные динамические системы могут иметь абсолютно идентичные инвариантные меры. Их статистические портреты будут неотличимы, хотя правила, по которым они развиваются, совершенно разные. Это значит, что, идеально подогнав модель под наблюдаемую статистику, вы все еще рискуете получить неверные законы динамики. Как решить эту дилемму?

Ключевая идея: взгляд через «эхо» прошлого

Авторы исследования предлагают сменить оптику. Вместо того чтобы смотреть на портрет системы в ее естественных координатах (например, положение [x, y, z] в пространстве), они предлагают посмотреть на него в так называемых координатах с временной задержкой.

Этот подход, основанный на теореме Такенса, гениален в своей простоте. Допустим, мы можем измерять только одну переменную системы — например, координату x(t). Чтобы реконструировать полное состояние системы, мы делаем следующее: создаем новый вектор, компонентами которого являются значение x в настоящий момент и в недавнем прошлом.

Новый вектор состояния выглядит так: [x(t), x(t — τ), x(t — 2τ), …], где τ — это фиксированный временной сдвиг.

Физически это означает, что новое состояние кодирует не просто текущее положение, а всю историю движения. И именно в этом представлении, как показывают авторы, скрыта уникальность системы.

Их первый ключевой результат гласит: если инвариантные меры двух систем совпадают в координатах с временной задержкой, то эти системы являются топологически сопряженными. Говоря проще, их динамика по сути одинакова, просто может быть представлена в разных системах отсчета. Проблема неоднозначности исчезает.

От эквивалентности к точному совпадению

«По сути одинакова» — это уже серьёзный прорыв. Но можно ли добиться большего и гарантировать, что мы восстановили систему один в один?

Да. Второй результат исследования показывает, как это сделать. Для полной и однозначной идентификации системы необходимо скомбинировать несколько элементов:

1. Инвариантные меры в координатах с временной задержкой, построенные по нескольким разным наблюдаемым (например, по x(t) и y(t)).
2. Информация о небольшом отрезке начальной траектории.

Эта комбинация данных, как доказывают авторы, предоставляет достаточно информации, чтобы полностью закрепить модель и исключить любые оставшиеся неопределенности. Теперь мы можем быть уверены, что найденные нами правила — это именно те правила, по которым живет система.

Работает ли это на практике?

Теоретические гарантии — это хорошо, но выдерживает ли метод столкновение с реальностью? Исследователи проверили его на нескольких сложных задачах.

• Уравнение Курамото-Сивашинского, описывающее фронты пламени и турбулентные течения. Метод смог точно определить ключевой параметр системы по зашумленным и неполным данным, в то время как попытка сравнения траекторий полностью провалилась.
• Система Лоренца, классический пример хаоса. Подход, основанный на новом методе, позволил точно реконструировать динамику аттрактора. Аналогичный метод, но со стандартной инвариантной мерой, не справился.
• Поток жидкости за цилиндром (дорожка Кармана). На основе редких и неточных данных с семи датчиков была построена модель, которая смогла точно предсказать дальнейшее поведение потока.

Во всех случаях подход, основанный на инвариантных мерах в координатах с временной задержкой, оказался надежным и эффективным.

Эта работа предлагает смену парадигмы в анализе сложных систем. Метод открывает путь к созданию более точных моделей в климатологии, гидродинамике, нейробиологии и других областях, где все строится на хаотичных процессах.