Un quadro numerico per l'analisi frazionale e frattale-frazionale del sistema caotico di Pehlivan mediante la derivata di Caputo

Perché il caos con memoria è importante

Molti sistemi naturali e ingegneristici si comportano in modo imprevedibile: piccole sollecitazioni possono portare a esiti radicalmente diversi. Questi cosiddetti sistemi caotici compaiono nel meteo, nell'elettronica e persino nelle comunicazioni sicure. Questo articolo esplora un particolare circuito caotico, noto come sistema di Pehlivan, e indaga cosa accade quando lo si fa «ricordare» il proprio passato e lo si fa evolvere su una sorta di tempo frattale e irregolare. Gli autori costruiscono nuovi strumenti matematici e metodi computazionali per studiare questa forma di caos più ricca e mostrano come potrebbe essere sfruttata in modo più affidabile nelle applicazioni tecnologiche.

Dalle equazioni semplici al moto complesso

Il sistema di Pehlivan è definito da sole tre equazioni accoppiate, eppure può produrre traiettorie avvolgenti nello spazio tridimensionale che non si ripetono mai, un tratto distintivo del caos. Nella sua forma standard il tempo scorre in modo uniforme e il sistema risponde solo allo stato attuale. Studi precedenti hanno dimostrato che sistemi analoghi, come il modello di Lorenz per la meteorologia, diventano ancora più versatili quando le loro equazioni si generalizzano in modo che il cambiamento dipenda in parte dall'intera storia del sistema. Questa idea — chiamata calcolo frazionale — permette al sistema di portare memoria, che può essere modulata in modo continuo invece di essere semplicemente attivata o disattivata.

Aggiungere il tempo frattale ai circuiti caotici

Gli autori compiono un passo ulteriore combinando la memoria frazionale con la geometria frattale. Anziché assumere che il tempo avanzi a passi uniformi, adottano un approccio «frattale–frazionale» nel quale il tempo si dilata e si comprime in modo dipendente dalla scala. Due manopole ora modellano la dinamica: una regola quanto fortemente il passato influenza il presente e l'altra aggiusta quanto irregolare è la scala temporale. In questo quadro, il team riscrive le equazioni di Pehlivan utilizzando una versione della derivata (la forma di Caputo) ben adatta ai sistemi fisici e alle condizioni iniziali standard.

Garantire la correttezza matematica

Prima di eseguire le simulazioni, gli autori dimostrano che il loro sistema esteso è matematicamente coerente. Utilizzando strumenti standard dell'analisi, mostrano che per scelte ragionevoli di parametri e condizioni iniziali le equazioni ammettono almeno una soluzione e, in effetti, un'unica soluzione. Studiano anche una nozione chiamata stabilità di Ulam–Hyers, che si domanda: se le equazioni vengono leggermente perturbate — per esempio da errori numerici o da piccolo rumore — le soluzioni ottenute rimangono vicine a quelle vere? I loro risultati indicano che, sotto condizioni chiare, piccole perturbazioni non divergono, offrendo fiducia che il modello e le sue soluzioni numeriche siano robusti.

Progettare schemi accurati per il caos a lunga memoria

Poiché queste equazioni incorporano la memoria su tutti i tempi passati, i metodi numerici diretti diventerebbero molto lenti: ogni nuovo passo richiederebbe di riesaminare l'intera storia. Gli autori progettano schemi predittore‑correttore specializzati basati sui polinomi di interpolazione di Newton e di Lagrange per approssimare in modo efficiente gli integrali di memoria a lunga portata. Ricavano formule esplicite per l'errore e mostrano come esso diminuisca al ridursi del passo temporale. Confrontano poi il loro approccio con un risolutore frazionale largamente usato che sfrutta le trasformate di Fourier veloci, confermando di raggiungere l'alta accuratezza prevista e che implementazioni avanzate possono ridurre drasticamente i tempi di calcolo per simulazioni estese.

Osservare nuove forme di caos

Con la macchina numerica a punto, il gruppo esplora come la modifica dei parametri di memoria e di tempo frattale rimodelli l'attrattore di Pehlivan, l'oggetto geometrico tracciato dal moto del sistema nello spazio delle fasi. Per certe combinazioni dei due parametri l'attrattore assume forme ad anello singolo; per altre sviluppa strutture ad anello doppio e autosimilari che ricordano i frattali. Man mano che i parametri si avvicinano ai loro valori classici, il sistema recupera i pattern caotici familiari del modello di Pehlivan originale. Uno studio separato di come il comportamento varia al variare di una costante interna del sistema rivela transizioni da oscillazioni ordinate a regimi pienamente caotici, incluse cascate di raddoppio di periodo, una via classica verso il caos.

Cosa significa per le applicazioni reali

Per il non specialista, il messaggio chiave è che il caos non deve essere necessariamente del tutto casuale o incontrollabile. Consentendo a un circuito caotico di ricordare il proprio passato e di evolvere su una scala temporale irregolare, questo lavoro scopre una tavolozza di comportamenti molto più ricca, dimostrando però che questi comportamenti restano matematicamente ben definiti e numericamente gestibili. Un caos finemente modulabile potrebbe risultare prezioso nelle comunicazioni sicure, nell'elaborazione dei segnali e nella crittografia, dove schemi complessi ma prevedibili sono un vantaggio. Più in generale, lo studio dimostra che il calcolo frattale–frazionale è una lente potente per modellare sistemi nei quali la storia e la temporizzazione multi‑scala plasmano in modo fondamentale la dinamica.

Citazione: 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

Parole chiave: sistemi caotici, calcolo frazionale, tempo frattale, simulazione numerica, comunicazione sicura