מידול מערכות כאוטיות שברירות-סדר לא־ליניאריות באמצעות אופרטור קאפו־פבריצ׳יו ורשתות עצביות מבוססות פונקציות יסוד רדיאליות

מדוע מערכות בלתי־צפויות חשובות

ממזג האוויר ושוק המניות ועד פעילות מוחית ואור לייזר — מערכות רבות בטבע ובטכנולוגיה מתנהגות באופן שנראה אקראי אך נשלט על־ידי חוקים מחמירים. התנהגות זו מכונה כאוס. המאמר חוקר שיטה חדשה למידול מערכות כאוטיות שכאלה כאשר יש להן איזשהו "זיכרון" של העבר, ומציג כיצד סוג מיוחד של רשת עצבית יכול ללמוד ולנבא את התנועות הפרועות הללו בדיוק מרשים. הבנת וריסון התנהגות מסוג זה יכולה לשפר תקשורת מאובטחת, הנדסת בקרה ועיבוד אותות.

להוסיף זיכרון לכאוס

מודלים מתמטיים קלאסיים של כאוס משתמשים במשוואות דיפרנציאליות רגילות המטפלות בעתיד כבהתלויה רק במצב הנוכחי. במציאות, מערכות רבות זוכרות מה קרה קודם: חומר שנחשף למאמץ, רכיב אלקטרוני שהתיישן, או קצב ביולוגי שעוצב על־ידי מחזורים קודמים. כדי ללכוד זאת משתמשים בחשבון אינטגרלי "שברירי", המאפשר לכוון בעדינות את עוצמת הזיכרון בין העדר זיכרון לזיכרון ארוך טווח. עבודה זו הולכת צעד נוסף בכך שהיא מאפשרת שעוצמת הזיכרון תשתנה עם הזמן במקום להיות קבועה, ויוצרת מה שמכונה מערכות כאוטיות בעלי סדר משתנה. מודלים כאלה משקפים טוב יותר מצבים שבהם הזיכרון נבנה בהדרגה, דועך או מתנודד.

דרך חלקה יותר לתאר זיכרון

המחברים בוחרים בכלי מתמטי מסוים — אופרטור קאפו–פבריצ׳יו — כדי לבטא את שינוי הזיכרון הזה. בניגוד לנוסחאות מסורתיות שמערבות גרעינים סינגולריים חדים ויכולות לגרום לבעיות נומריות, אופרטור זה משתמש בגרעין אקספוננציאלי חלק. הדבר מקל וייציב יותר את פתרון המשוואות במחשב, במיוחד למערכות שבהן הזיכרון רלוונטי בטווח הקצר־בינוני. הצוות משווה בחירה זו לאופרטורים פופולריים אחרים ומוצא שעבור מטרותיהם קאפו–פבריצ׳יו מוצא איזון: הוא שומר על אפקטי הזיכרון העיקריים שעיצבו את התנועה הכאוטית תוך קיצוץ עלות חישובית והימנעות מסטיפנס שעלול לפגוע בסימולציות.

שתי דרכים שבהן מערכת יכולה לזכור

כדי לראות כיצד שינוי הזיכרון משפיע על הכאוס, החוקרים לומדים מערכת דינמית תלת־משתנית שהנתיבים שלה מציירים צורות מקושתות הדומות לפרפר בחלל. הם בודקים שני תרחישים לאופן שבו עוצמת הזיכרון מתפתחת. בראשון, הזיכרון מתחזק בהדרגה לאורך הזמן, מדמה מכשירים או מעגלים שנוטים להיות תלויי־היסטוריה יותר עם ההזדקנות. בשני, הזיכרון תנודתי באופן périודי, מה שמדמה תהליכים ביולוגיים קצביים או משוביים. עבור כל מקרה הם מדמים את המערכת לאורך זמן ארוך, בוחנים את התפלגות הערכים של שלושת המשתנים, משחזרים את המבנה הגאומטרי הנסתר של התנועה ב"מרחב פאזה", ומחשבים מעריכי ליאפונוב שמודדים כמה רגישים נתיבים סמוכים להתפצלות. הם מגלים שעוצמת זיכרון גבוהה בדרך כלל מחדדת את ההתנהגות הכאוטית, בעוד שזיכרון חלש מרכך אותה, ומגלה קשר הדוק בין היסטוריה לחוסר־יציבות.

ללמד רשת עצבית לעקוב אחר כאוס

פתרון ישיר של משוואות עשירות בזיכרון יכול להיות תובעני, ולכן המחברים פונים לגישה של בינה מלאכותית. הם משתמשים ברשתות עצביות מבוססות פונקציות יסוד רדיאליות, סוג של רשת המיועד היטב להתאמת פונקציות חלקות ולא־ליניאריות. תוך שימוש בסדרות זמן מדומות מהמערכת השברירית-משתנה שלהם כנתוני אימון, הם מגדירים רשתות עם אלפי יחידות נסתרות ומאמנים אותן לשעתק את שלושת משתני המצב של המערכת. בחירות עיצוב קפדניות — כיצד נקבעים המרכזים והרוחבים של הפונקציות הרדיאליות, כיצד מחלקים את הנתונים בין אימון ובדיקה, וכיצד מודדים את השגיאה — מאפשרות לרשתות להסתפק בהבדלים זעירים מאוד מול הנתיבים הכאוטיים, עד לרמות שגיאה קרובות למגבלות הדיוק הנומרי.

מה המשמעות ליישומים בעולם האמיתי

המחקר מראה שאפשרות שהזיכרון של מערכת כאוטית ישתנה עם הזמן מייצרת מודלים המדמים התנהגות עולם־אמיתי מורכבת בצורה מדויקת יותר מאשר משוואות מסורתיות בעלות סדר קבוע או נטולות־זיכרון. בו־זמנית, השימוש ברשתות פונקציות יסוד רדיאליות הופך את התיאורים המתמטיים הכבדים הללו למחליפים מונעי־נתונים ויעילים שניתן להעריך במהירות. עבור קורא שאינו מומחה, המסקנה העיקרית היא שהחוקרים בנו כלי גמיש ומדויק לתיאור ולניבוי אותות בלתי צפויים התלויים בהיסטוריה שלהם. כלים כאלה עשויים בסופו של דבר להקל על עיצוב סכמות תקשורת מאובטחות, אסטרטגיות בקרה חסונות ושיטות עיבוד אותות מתקדמות המנצלים את הכאוס במקום להיפגע ממנו.

ציטוט: 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

מילות מפתח: מערכות כאוטיות, חשבון אינטגרלי שברירי, דינמיקה משתנה-סדר, רשתות עצביות, מידול לא־ליניארי