Modellering van niet-lineaire fractionele chaotische systemen met variabele orde met behulp van de Caputo–Fabrizio-operator en radiale-basisfunctie-neurale netwerken

Waarom onvoorspelbare systemen ertoe doen

Van het weer en de aandelenmarkt tot hersenactiviteit en laserlicht: veel systemen in de natuur en techniek gedragen zich op manieren die willekeurig lijken maar in feite door strikte regels worden beheerst. Dit gedrag wordt chaos genoemd. Het artikel onderzoekt een nieuwe manier om zulke chaotische systemen te modelleren wanneer ze een soort "geheugen" van hun verleden hebben, en laat zien hoe een gespecialiseerd type neurale netwerk hun wilde bewegingen met opmerkelijke nauwkeurigheid kan leren en voorspellen. Het doorgronden en beteugelen van dit soort gedrag kan veilige communicatie, regeltechniek en signaalverwerking verbeteren.

Geheugen toevoegen aan chaos

Klassieke wiskundige modellen van chaos gebruiken gewone differentiaalvergelijkingen die de toekomst beschouwen als afhankelijk van slechts de huidige toestand. In de praktijk onthouden veel systemen echter wat eerder is gebeurd: een materiaal dat is belast, een elektronisch onderdeel dat verouderd is, of een biologische ritme gevormd door eerdere cycli. Om dit vast te leggen gebruiken onderzoekers "fractionele" calculus, waarmee de sterkte van dit geheugen continu kan worden ingesteld tussen geen geheugen en lang geheugen. Dit artikel gaat een stap verder door die geheugensterkte in de loop van de tijd te laten variëren in plaats van vast te houden, waardoor zogeheten chaotische systemen met variabele orde ontstaan. Dergelijke modellen weerspiegelen beter situaties waarin geheugen zich geleidelijk opbouwt, vervaagt of oscilleert.

Een soepelere manier om geheugen te beschrijven

De auteurs kiezen een specifiek wiskundig hulpmiddel, de Caputo–Fabrizio-operator, om dit veranderende geheugen uit te drukken. In tegenstelling tot sommige traditionele formuleringen die scherpe, singuliere kernen bevatten en numerieke problemen kunnen veroorzaken, gebruikt deze operator een glad exponentieel kern. Dat maakt de vergelijkingen eenvoudiger en stabieler om op een computer op te lossen, vooral voor systemen waarbij slechts kort- tot middellangetermijngeheugen van belang is. Het team vergelijkt deze keuze met andere populaire operatoren en ontdekt dat, voor hun doeleinden, Caputo–Fabrizio een balans biedt: het behoudt de essentiële geheugeneffecten die chaotische beweging vormen, terwijl het de rekenkosten verlaagt en stijfheid voorkomt die simulaties kan doen ontsporen.

Twee manieren waarop een systeem kan onthouden

Om te zien hoe veranderend geheugen chaos beïnvloedt, bestuderen de onderzoekers een drievariabelig dynamisch systeem waarvan de trajecten lus- of vlinderachtige vormen in de ruimte tekenen. Ze testen twee scenario’s voor hoe de geheugensterkte zich ontwikkelt. In het eerste versterkt het geheugen geleidelijk in de loop van de tijd, wat apparaten of schakelingen nabootst die naarmate ze ouder worden meer afhankelijk van hun geschiedenis worden. In het tweede fluctueert het geheugen periodiek, wat ritmische biologische processen of feedbackgedreven systemen weerspiegelt. Voor elk geval simuleren ze het systeem over lange tijd, onderzoeken ze de verspreiding van waarden van de drie variabelen, reconstrueren ze de verborgen geometrische structuur van de beweging in de "fase-ruimte" en berekenen ze Lyapunov-exponenten die meten hoe gevoelig nabijgelegen trajecten uit elkaar lopen. Ze vinden dat sterker geheugen over het algemeen chaotisch gedrag intensifieert, terwijl zwakker geheugen het dempt, wat een nauwe relatie tussen geschiedenis en instabiliteit onthult.

Een neurale netwerk leren de chaos te volgen

Het direct oplossen van deze geheugenrijke vergelijkingen kan intensief zijn, dus wenden de auteurs zich tot een kunstmatige-intelligentiebenadering. Ze gebruiken radiale-basisfunctie-neurale netwerken, een type netwerk dat bijzonder goed is in het passen van vloeiende, niet-lineaire functies. Met gesimuleerde tijdreeksen van hun fractionele systeem met variabele orde als trainingsgegevens configureren ze netwerken met duizenden verborgen eenheden en trainen ze deze om de drie toestandsvariabelen van het systeem na te bootsen. Zorgvuldige ontwerpskeuzes — hoe de centra en breedtes van de radiale functies worden ingesteld, hoe data worden verdeeld tussen training en testen, en hoe fout wordt gemeten — stellen de netwerken in staat de chaotische trajecten met extreem kleine afwijkingen te benaderen, tot foutniveaus dicht bij de grenzen van numerieke precisie.

Wat dit betekent voor toepassingen in de praktijk

De studie toont aan dat het toestaan dat het geheugen van een chaotisch systeem in de loop van de tijd verandert, modellen oplevert die complexer, realistisch gedrag beter nabootsen dan traditionele vergelijkingen met constante orde of zonder geheugen. Tegelijkertijd veranderen radiale-basisfunctie-neurale netwerken deze zware wiskundige beschrijvingen in efficiënte, op data gebaseerde surrogaten die snel geëvalueerd kunnen worden. Voor niet-specialisten is de belangrijkste conclusie dat de onderzoekers een flexibel en nauwkeurig instrumentarium hebben opgebouwd om grillige signalen die afhankelijk zijn van hun verleden te beschrijven en te voorspellen. Zulke hulpmiddelen kunnen uiteindelijk het ontwerpen van veilige communicatieschema’s, robuuste regelstrategieën en geavanceerde signaalverwerkingsmethoden vergemakkelijken die optimaal gebruikmaken van — in plaats van ten onder te gaan aan — chaos.

Bronvermelding: 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

Trefwoorden: chaotische systemen, fractionele calculus, dynamica met variabele orde, neurale netwerken, niet-lineaire modellering