Caputo–Fabrizio 演算子と放射基底関数ニューラルネットワークを用いた非線形可変階数フラクショナルカオス系のモデリング

なぜ予測不能な系が重要か

天気や株式市場から脳活動やレーザー光まで、自然や技術の多くの系は一見ランダムに見える振る舞いをしますが、実は厳密な規則に従っています。この振る舞いはカオスとして知られています。本稿は、過去の履歴のような「記憶」を持つカオス系をモデリングする新しい方法を探り、特殊なタイプのニューラルネットワークがその荒れた挙動を驚くほど高精度で学習・予測できることを示します。こうした振る舞いを理解し制御することは、暗号通信、制御工学、信号処理の改善につながります。

カオスに記憶を加える

古典的なカオスの数学モデルは、未来が現在の状態にのみ依存するとみなす常微分方程式を用います。しかし現実には、多くの系が過去を記憶します：応力を受けた物質、経年変化した電子部品、過去の周期により形成された生物学的リズムなどです。これをとらえるために研究者は「フラクショナル」微積分を用い、記憶の強さを無記憶から長期記憶まで連続的に調節できるようにします。本論文はさらに一歩進め、記憶の強さを固定値にせず時間とともに変化させることで、可変階数カオス系と呼ばれるモデルを導入します。こうしたモデルは、記憶が徐々に蓄積したり、薄れたり、振動したりする状況をよりよく反映します。

記憶をなめらかに表現する方法

著者らは、この変化する記憶を表現するために特定の数学的道具である Caputo–Fabrizio 演算子を選びます。特異なカーネルを伴い数値的な問題を引き起こしがちな従来の定式化とは異なり、この演算子は滑らかな指数カーネルを用います。そのため、特に短期から中期の記憶が重要な系では、コンピュータ上で方程式をより容易かつ安定して解けます。著者らはこの選択を他の一般的な演算子と比較し、Caputo–Fabrizio が本質的な記憶効果を維持しつつ計算コストを抑え、シミュレーションを狂わせる剛性を回避するというバランスを提供することを示します。

系が記憶する二つのあり方

記憶の変化がカオスに与える影響を見るために、研究者らは軌道が空間に蝶のようなループ状の形を描く三変数の力学系を調べます。記憶の強さがどのように変化するかについて二つのシナリオを検討します。第一は記憶が時間とともに徐々に強まる場合で、これは経年で履歴依存性が増す装置や回路を模します。第二は記憶が周期的に変動する場合で、生物学的リズムやフィードバック駆動のプロセスを反映します。各ケースについて長時間にわたり系をシミュレーションし、三変数の分布を調べ、運動の隠れた幾何学的構造を位相空間で再構築し、近傍軌道がどれだけ敏感に発散するかを示すリアプノフ指数を算出します。結果は、記憶が強いほど一般にカオス性が強化され、記憶が弱いほどそれが減衰することを示し、履歴と不安定性の間に密接な関係があることを明らかにします。

ニューラルネットワークにカオスを追わせる

こうした記憶を含む方程式を直接解くのは負担が大きいため、著者らは人工知能的アプローチに切り替えます。彼らは滑らかな非線形関数のフィッティングに優れた放射基底関数ニューラルネットワークを採用します。可変階数フラクショナル系から得たシミュレーション時系列を学習データとして用い、数千の隠れユニットを持つネットワークを設定し、系の三つの状態変数を再現するよう訓練します。ラジアル関数の中心と幅の設定、データの訓練・検証への分割、誤差の評価といった慎重な設計が、ネットワークに極めて小さな差異でカオス軌道を近似させ、数値精度の限界近くまで誤差を抑えることを可能にします。

現実世界の応用にとって何を意味するか

この研究は、カオス系の記憶を時間とともに変化させることを許せば、従来の定階数や無記憶の方程式よりも複雑な実世界の振る舞いをより忠実に再現するモデルが得られることを示しています。同時に、放射基底関数ニューラルネットワークを用いることで、こうした重い数学的記述を迅速に評価できる効率的なデータ駆動の代替モデルに変換できます。専門外の読者にとっての主な要点は、研究者らが過去の履歴に依存する不規則な信号を記述・予測するための柔軟で高精度なツールキットを構築したということです。こうしたツールは最終的に、カオスに翻弄されるのではなく活用することで、より安全な通信方式、堅牢な制御戦略、高度な信号処理手法の設計を容易にする可能性があります。

引用: 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

キーワード: カオス系, フラクショナル解析, 可変階数ダイナミクス, ニューラルネットワーク, 非線形モデリング