Un marco numérico para el análisis fraccional y fractal-fraccional del sistema caótico de Pehlivan usando la derivada de Caputo

Por qué importa el caos con memoria

Muchos sistemas naturales y técnicos se comportan de forma impredecible: pequeñas perturbaciones pueden conducir a resultados radicalmente distintos. Estos llamados sistemas caóticos aparecen en el tiempo atmosférico, la electrónica e incluso en la comunicación segura. Este artículo explora un circuito caótico particular, conocido como el sistema de Pehlivan, y pregunta qué sucede cuando le permitimos "recordar" su pasado y evolucionar en una especie de tiempo irregular y fractal. Los autores construyen nuevas herramientas matemáticas y métodos computacionales para estudiar esta forma más rica de caos y muestran cómo podría aprovecharse con mayor fiabilidad en tecnología.

De ecuaciones simples a movimientos salvajes

El sistema de Pehlivan se define mediante solo tres ecuaciones enlazadas, y aun así puede producir trayectorias arremolinadas en el espacio tridimensional que nunca se repiten, una característica del caos. En su forma estándar, el tiempo fluye de manera continua y el sistema responde únicamente a su estado presente. Trabajos previos mostraron que sistemas similares, como el modelo de Lorenz para el clima, se hacen aún más flexibles cuando sus ecuaciones se generalizan para que el cambio dependa en parte de toda la historia del sistema. Esta idea —denominada cálculo fraccionario— permite que el sistema tenga memoria, que puede ajustarse de forma continua en lugar de activarse o desactivarse.

Agregar tiempo fractal a circuitos caóticos

Los autores van un paso más allá combinando la memoria fraccionaria con geometría fractal. En lugar de suponer que el tiempo avanza en pasos uniformes, usan un enfoque "fractal–fraccional" en el que el tiempo se estira y comprime efectivamente de forma dependiente de la escala. Ahora hay dos perillas que moldean la dinámica: una controla qué tan fuertemente el pasado influye en el presente y la otra ajusta cuán irregular es la escala temporal. Dentro de este marco, el equipo reescribe las ecuaciones de Pehlivan usando una versión de la derivada (la forma de Caputo) que es adecuada para sistemas físicos y condiciones iniciales estándar.

Garantizando que las matemáticas se comporten

Antes de ejecutar simulaciones, los autores demuestran que su sistema extendido es matemáticamente consistente. Usando herramientas estándar del análisis, muestran que para elecciones razonables de parámetros y valores iniciales, las ecuaciones admiten al menos una solución y, de hecho, una única solución. También estudian una noción llamada estabilidad de Ulam–Hyers, que plantea: si las ecuaciones se perturban ligeramente —por ejemplo por errores numéricos o ruido pequeño— ¿se mantienen las soluciones resultantes cerca de las verdaderas? Sus resultados muestran que bajo condiciones claras, las pequeñas perturbaciones no se amplifican, lo que da confianza en que el modelo y sus soluciones numéricas son robustos.

Diseñar esquemas precisos para caos de larga memoria

Dado que estas ecuaciones incorporan memoria sobre todos los instantes pasados, los métodos numéricos directos se volverían dolorosamente lentos: cada nuevo paso tendría que revisar toda la historia. Los autores diseñan esquemas especializados predictor-corrector basados en polinomios de interpolación de Newton y Lagrange para aproximar eficientemente los integrales de memoria de largo alcance. Derivan fórmulas explícitas para el error y muestran cómo éste decrece al reducir el paso temporal. Luego comparan su enfoque con un solucionador fraccional ampliamente usado que explota transformadas rápidas de Fourier, confirmando que se alcanza la alta precisión esperada y que implementaciones avanzadas pueden reducir drásticamente el tiempo de cómputo en simulaciones largas.

Ver nuevas formas del caos

Con la maquinaria numérica en marcha, el equipo explora cómo cambiar los parámetros de memoria y de tiempo fractal remodela el atractor de Pehlivan, el objeto geométrico trazado por el movimiento del sistema en el espacio de fases. Para ciertas combinaciones de los dos parámetros, el atractor forma anillos simples; para otras, desarrolla estructuras de anillos auto‑similares de doble cara que recuerdan a fractales. A medida que los parámetros se acercan a sus valores clásicos, el sistema recupera los patrones caóticos familiares del modelo original de Pehlivan. Un estudio separado de cómo cambia el comportamiento con una de las constantes internas del sistema revela transiciones desde oscilaciones ordenadas a regímenes totalmente caóticos, incluyendo cascadas de duplicación de periodo, una ruta clásica hacia el caos.

Qué implica esto para aplicaciones reales

Para un no especialista, el mensaje clave es que el caos no tiene por qué ser puramente aleatorio o incontrolable. Al permitir que un circuito caótico recuerde su pasado y evolucione en una escala temporal irregular, este trabajo descubre una paleta mucho más rica de comportamientos, y al mismo tiempo muestra que esos comportamientos siguen estando bien definidos matemáticamente y son tratables numéricamente. Un caos finamente ajustable podría ser valioso en comunicación segura, procesamiento de señales y criptografía, donde los patrones complejos pero previsibles son un activo. Más en general, el estudio demuestra que el cálculo fractal–fraccional es una lente potente para modelar sistemas donde la historia y el tiempo multiescala configuran de forma fundamental la dinámica.

Cita: Vinoth, R., Jayalakshmi, M. A numerical framework for fractional and fractal-fractional analysis of the Pehlivan chaotic system using Caputo derivative. Sci Rep 16, 13669 (2026). https://doi.org/10.1038/s41598-026-42126-6

Palabras clave: sistemas caóticos, cálculo fraccionario, tiempo fractal, simulación numérica, comunicación segura