Modellierung nichtlinearer chaotischer Systeme mit variabler Ordnung unter Verwendung des Caputo‑Fabrizio‑Operators und radialer Basisfunktions‑Neuronaler Netze

Warum unvorhersehbare Systeme wichtig sind

Vom Wetter und Aktienmarkt über Gehirnaktivität bis hin zu Laserlicht verhalten sich viele Systeme in Natur und Technik so, als seien sie zufällig, obwohl sie tatsächlich strengen Regeln folgen. Dieses Verhalten nennt man Chaos. Der Artikel untersucht einen neuen Weg, solche chaotischen Systeme zu modellieren, wenn sie eine Art "Gedächtnis" für ihre Vergangenheit besitzen, und zeigt, wie ein spezialisierter Typ neuronaler Netze ihre wild schwankenden Bewegungen mit bemerkenswerter Genauigkeit erlernen und vorhersagen kann. Das Verständnis und die Beherrschung dieses Verhaltens kann sichere Kommunikation, Regelungstechnik und Signalverarbeitung verbessern.

Speicher zum Chaos hinzufügen

Klassische mathematische Modelle des Chaos verwenden gewöhnliche Differentialgleichungen, die die Zukunft nur vom gegenwärtigen Zustand abhängig machen. In Wirklichkeit erinnern sich viele Systeme an frühere Ereignisse: ein Material, das belastet wurde, ein elektronisches Bauteil, das gealtert ist, oder ein biologischer Rhythmus, der von vergangenen Zyklen geprägt ist. Um dies abzubilden, verwenden Forscher die "fraktionale" Analysis, die erlaubt, die Stärke dieses Gedächtnisses kontinuierlich zwischen keinem und langem Gedächtnis zu variieren. Dieses Papier geht einen Schritt weiter, indem es diese Gedächtnisstärke zeitlich variieren lässt statt sie festzulegen, wodurch sogenannte chaotische Systeme variabler Ordnung entstehen. Solche Modelle bilden Situationen besser ab, in denen sich Gedächtnis allmählich aufbaut, abschwächt oder oszilliert.

Eine glattere Beschreibung des Gedächtnisses

Die Autoren wählen ein bestimmtes mathematisches Werkzeug, den Caputo–Fabrizio‑Operator, um dieses veränderliche Gedächtnis auszudrücken. Im Gegensatz zu einigen traditionellen Formulierungen, die singuläre Kerne mit scharfen Eigenschaften enthalten und numerische Probleme verursachen können, verwendet dieser Operator einen glatten exponentiellen Kern. Das macht die Gleichungen auf dem Computer einfacher und stabiler zu lösen, insbesondere für Systeme, bei denen nur kurz‑ bis mittelfristiges Gedächtnis relevant ist. Das Team vergleicht diese Wahl mit anderen verbreiteten Operatoren und stellt fest, dass der Caputo–Fabrizio‑Operator für ihre Zwecke einen Ausgleich bietet: Er erhält die wesentlichen Gedächtniseffekte, die chaotische Bewegungen prägen, reduziert gleichzeitig den Rechenaufwand und vermeidet Steifigkeitsprobleme, die Simulationen entgleisen lassen können.

Zwei Arten, wie ein System sich erinnern kann

Um zu sehen, wie veränderliches Gedächtnis das Chaos beeinflusst, untersuchen die Forscher ein dreivariables dynamisches System, dessen Bahnen geschlungene, schmetterlingsähnliche Formen im Raum nachzeichnen. Sie prüfen zwei Szenarien dafür, wie die Gedächtnisstärke sich entwickelt. Im ersten Szenario verstärkt sich das Gedächtnis im Zeitverlauf allmählich, was Geräte oder Schaltungen nachahmt, die mit dem Alter geschichtsabhängiger werden. Im zweiten Szenario schwankt das Gedächtnis periodisch und spiegelt rhythmische biologische oder rückgekoppelte Prozesse wider. Für beide Fälle simulieren sie das System über lange Zeiträume, betrachten die Verteilung der Werte der drei Variablen, rekonstruieren die verborgene geometrische Struktur der Bewegung im "Phasenraum" und berechnen Lyapunov‑Exponenten, die messen, wie empfindlich nahegelegene Bahnen divergieren. Sie finden, dass stärkeres Gedächtnis im Allgemeinen chaotisches Verhalten intensiviert, während schwächeres Gedächtnis es dämpft, was einen engen Zusammenhang zwischen Vergangenheit und Instabilität offenbart.

Ein neuronales Netz das Chaos nachführt

Das direkte Lösen dieser gedächtnisreichen Gleichungen kann aufwendig sein, deshalb greifen die Autoren auf einen Ansatz der künstlichen Intelligenz zurück. Sie setzen radiale Basisfunktions‑Neuronale Netze ein, eine Netzklasse, die besonders gut darin ist, glatte, nichtlineare Funktionen anzupassen. Mithilfe simulierter Zeitreihen aus ihrem fraktionalen System variabler Ordnung als Trainingsdaten konfigurieren sie Netze mit mehreren tausend versteckten Einheiten und trainieren diese, die drei Zustandsvariablen des Systems zu reproduzieren. Sorgfältige Designentscheidungen — wie die Festlegung der Zentren und Breiten der radialen Funktionen, wie Daten in Training und Test aufgeteilt werden und wie Fehler gemessen werden — erlauben den Netzen, die chaotischen Trajektorien mit extrem geringen Abweichungen nachzubilden, bis hin zu Fehlern nahe den Grenzen numerischer Genauigkeit.

Was das für praktische Anwendungen bedeutet

Die Studie zeigt, dass die Erlaubnis, die Gedächtnisstärke eines chaotischen Systems zeitlich zu verändern, Modelle liefert, die komplexes, realweltliches Verhalten besser nachbilden als traditionelle Gleichungen konstanter Ordnung oder ganz ohne Gedächtnis. Gleichzeitig verwandelt der Einsatz radialer Basisfunktions‑Netze diese anspruchsvollen mathematischen Beschreibungen in effiziente, datengetriebene Surrogate, die schnell ausgewertet werden können. Für den Nicht‑Spezialisten lautet die Hauptaussage: Die Forscher haben ein flexibles und genaues Werkzeugset entwickelt, um unvorhersehbare Signale, die von ihrer Vergangenheit abhängen, zu beschreiben und vorherzusagen. Solche Werkzeuge könnten letztlich die Entwicklung sicherer Kommunikationsverfahren, robuster Regelungsstrategien und fortgeschrittener Signalverarbeitungsmethoden erleichtern, die das Chaos nutzen statt ihm zum Opfer zu fallen.

Zitation: Sawar, S., Ayaz, M., Aldhabani, M.S. et al. Modeling nonlinear variable-order fractional chaotic systems using the Caputo-Fabrizio operator and radial basis function neural networks. Sci Rep 16, 7912 (2026). https://doi.org/10.1038/s41598-026-39288-8

Schlüsselwörter: chaotische Systeme, fraktionale Analysis, Dynamiken variabler Ordnung, Neuronale Netze, nichtlineare Modellierung