Modellizzazione di sistemi caotici frazionali non lineari a ordine variabile usando l’operatore di Caputo–Fabrizio e reti neurali a funzioni di base radiale

Perché i sistemi imprevedibili sono importanti

Dalle condizioni meteorologiche e il mercato azionario all’attività cerebrale e alla luce laser, molti sistemi in natura e nella tecnologia si comportano in modi che appaiono casuali ma sono in realtà governati da regole precise. Questo comportamento è noto come caos. L’articolo esplora un nuovo modo di modellare tali sistemi caotici quando possiedono una sorta di “memoria” del loro passato, e mostra come un tipo specializzato di rete neurale possa apprendere e prevedere i loro moti turbolenti con notevole accuratezza. Comprendere e addomesticare questo tipo di comportamento può migliorare comunicazioni sicure, ingegneria del controllo e elaborazione dei segnali.

Aggiungere memoria al caos

I modelli matematici classici del caos usano equazioni differenziali ordinarie che trattano il futuro come dipendente solo dallo stato presente. Nella realtà, molti sistemi ricordano ciò che è successo in precedenza: un materiale che è stato sollecitato, un componente elettronico che è invecchiato o un ritmo biologico plasmato da cicli passati. Per cogliere questo, i ricercatori usano il calcolo “frazionale”, che consente di modulare la forza di questa memoria in modo continuo tra assenza di memoria e memoria lunga. Questo articolo fa un passo oltre permettendo a quella forza di memoria di variare nel tempo invece di restare fissa, creando i cosiddetti sistemi caotici a ordine variabile. Tali modelli riflettono meglio situazioni in cui la memoria si accumula gradualmente, svanisce o oscilla.

Un modo più morbido per descrivere la memoria

Gli autori scelgono uno strumento matematico particolare, l’operatore di Caputo–Fabrizio, per esprimere questa memoria variabile. A differenza di alcune formulazioni tradizionali che coinvolgono kernel singolari e appuntiti e possono causare problemi numerici, questo operatore usa un kernel esponenziale liscio. Ciò rende le equazioni più facili e stabili da risolvere su un computer, specialmente per sistemi in cui è importante solo la memoria a breve o medio termine. Il team confronta questa scelta con altri operatori popolari e trova che, per i loro scopi, Caputo–Fabrizio raggiunge un compromesso: conserva gli effetti essenziali della memoria che modellano il moto caotico riducendo il costo computazionale ed evitando la rigidità che può mandare in crisi le simulazioni.

Due modi in cui un sistema può ricordare

Per vedere come la memoria variabile influisce sul caos, i ricercatori studiano un sistema dinamico a tre variabili le cui traiettorie disegnano forme ad anelli e simili a farfalle nello spazio. Testano due scenari per l’evoluzione della forza di memoria. Nel primo, la memoria si rafforza gradualmente nel tempo, imitando dispositivi o circuiti che diventano più dipendenti dalla storia con l’invecchiamento. Nel secondo, la memoria fluttua periodicamente, richiamando processi biologici ritmici o feedback oscillanti. Per ciascun caso simulano il sistema per lunghi intervalli temporali, esaminano la distribuzione dei valori delle tre variabili, ricostruiscono la struttura geometrica nascosta del moto nello “spazio delle fasi” e calcolano gli esponenti di Lyapunov che misurano quanto sensibilmente traiettorie vicine divergono. Risultano che una memoria più forte in genere intensifica il comportamento caotico, mentre una memoria più debole lo smorza, rivelando un legame stretto tra storia e instabilità.

Insegnare a una rete neurale a seguire il caos

Risolvere direttamente queste equazioni ricche di memoria può essere impegnativo, così gli autori ricorrono a un approccio di intelligenza artificiale. Usano reti neurali a funzioni di base radiale, un tipo di rete particolarmente adatto ad approssimare funzioni lisce e non lineari. Utilizzando serie temporali simulate dal loro sistema frazionale a ordine variabile come dati di addestramento, configurano reti con migliaia di unità nascoste e le addestrano a riprodurre le tre variabili di stato del sistema. Scelte progettuali accurate — come impostare i centri e le ampiezze delle funzioni radiali, come dividere i dati tra addestramento e test e come misurare l’errore — permettono alle reti di approssimare le traiettorie caotiche con discrepanze estremamente piccole, fino a livelli di errore prossimi ai limiti della precisione numerica.

Cosa significa per le applicazioni reali

Lo studio mostra che permettere alla memoria di un sistema caotico di cambiare nel tempo produce modelli che imitano più da vicino il comportamento complesso del mondo reale rispetto alle equazioni tradizionali a ordine costante o prive di memoria. Allo stesso tempo, l’uso di reti neurali a funzioni di base radiale trasforma queste descrizioni matematiche pesanti in sostituti efficienti e guidati dai dati che possono essere valutati rapidamente. Per un non specialista, la conclusione principale è che i ricercatori hanno costruito una cassetta degli attrezzi flessibile e accurata per descrivere e prevedere segnali erratici che dipendono dalla loro storia passata. Tali strumenti potrebbero infine rendere più facile progettare schemi di comunicazione sicuri, strategie di controllo robuste e metodi avanzati di elaborazione del segnale che sfruttino pienamente, piuttosto che soccombere a, il caos.

Citazione: 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

Parole chiave: sistemi caotici, calcolo frazionale, dinamiche a ordine variabile, reti neurali, modellizzazione non lineare