Modellering av icke-linjära variabelordnings-fraktionella kaotiska system med Caputo–Fabrizio-operatorn och radialbaserade neurala nätverk

Varför oförutsägbara system spelar roll

Från väder och aktiemarknad till hjärnaktivitet och laserljus beter sig många system i naturen och tekniken på sätt som ser slumpmässiga ut men som i själva verket styrs av strikta lagar. Detta beteende kallas kaos. Artikeln undersöker ett nytt sätt att modellera sådana kaotiska system när de har en form av ”minne” av sitt förflutna, och visar hur en specialiserad typ av neuralt nätverk kan lära sig och förutsäga deras vilda rörelser med anmärkningsvärd noggrannhet. Att förstå och tämja denna typ av beteende kan förbättra säker kommunikation, styrteknik och signalbehandling.

Att lägga minne till kaos

Klassiska matematiska modeller för kaos använder ordinära differentialekvationer som antar att framtiden bara beror på det nuvarande tillståndet. I verkligheten minns många system vad som hände tidigare: ett material som utsatts för påfrestning, en elektronisk komponent som åldrats eller en biologisk rytm formad av tidigare cykler. För att fånga detta använder forskare fraktionell kalkyl, som låter styrkan i detta minne justeras kontinuerligt mellan inget minne och långtidsminne. Denna artikel går ett steg längre genom att låta den minnesstyrkan variera över tid istället för att vara fast, vilket skapar så kallade variabelordnings-kaotiska system. Sådana modeller speglar bättre situationer där minne gradvis byggs upp, avtar eller svänger.

Ett mjukare sätt att beskriva minne

Författarna väljer ett särskilt matematiskt verktyg, Caputo–Fabrizio-operatorn, för att uttrycka detta föränderliga minne. Till skillnad från vissa traditionella formuleringar som innefattar skarpa, singulära kärnor och kan orsaka numeriska problem, använder denna operator en mjuk exponentiell kärna. Det gör ekvationerna enklare och stabilare att lösa på en dator, särskilt för system där endast kort- till medellångtidsminne är viktigt. Gruppen jämför detta val med andra populära operatorer och finner att, för deras syften, Caputo–Fabrizio uppnår en balans: den behåller de väsentliga minneffekter som formar kaotisk rörelse samtidigt som beräkningskostnaden minskar och stelhet som kan sabotera simuleringar undviks.

Två sätt ett system kan minnas

För att se hur förändrat minne påverkar kaos studerar forskarna ett tredimensionellt dynamiskt system vars banor bildar loopande, fjärilsliknande former i rummet. De testar två scenarier för hur minnesstyrkan utvecklas. I det första ökar minnet gradvis över tid, vilket efterliknar enheter eller kretsar som blir mer historikberoende med åldern. I det andra fluktuerar minnet periodiskt, vilket speglar rytmiska biologiska processer eller återkopplingsdrivna system. För varje fall simulerar de systemet över lång tid, undersöker spridningen av värdena hos de tre variablerna, rekonstruerar den dolda geometriska strukturen i rörelsen i fasrum och beräknar Lyapunov-exponenter som mäter hur känsligt närliggande banor divergerar. De finner att starkare minne generellt intensifierar kaotiskt beteende, medan svagare minne dämpar det, vilket visar på en nära koppling mellan historik och instabilitet.

Att lära ett neuralt nätverk att följa kaos

Att lösa dessa minnesrika ekvationer direkt kan vara krävande, så författarna vänder sig till en artificiell intelligensmetod. De använder radialbaserade neurala nätverk, en nätverkstyp som är särskilt bra på att passa mjuka, icke-linjära funktioner. Med simulerade tidsserier från deras fraktionella variabelordningssystem som träningsdata konfigurerar de nätverk med tusentals dolda enheter och tränar dem att reproducera systemets tre tillståndsvariabler. Omsorgsfulla designval — hur centrum och bredd på radiallytorna sätts, hur data delas mellan träning och testning samt hur fel mäts — gör att nätverken kan approximera de kaotiska banorna med extremt små avvikelser, ner mot felnivåer nära numerisk precision.

Vad detta betyder för tillämpningar i verkligheten

Studien visar att att tillåta ett kaotiskt systems minne att förändras över tid ger modeller som i högre grad efterliknar komplexa, verkliga beteenden än traditionella konstanta-ordnings- eller minnesfria ekvationer. Samtidigt förvandlar användningen av radialbaserade neurala nätverk dessa tunga matematiska beskrivningar till effektiva, datadrivna surrogat som kan utvärderas snabbt. För en icke-specialist är huvudslutsatsen att forskarna har byggt ett flexibelt och noggrant verktygslåda för att beskriva och förutsäga ryckiga signaler som beror på sin historik. Sådana verktyg kan i slutändan göra det lättare att utforma säkra kommunikationsscheman, robusta styrstrategier och avancerade signalbehandlingsmetoder som utnyttjar — snarare än faller offer för — kaos.

Citering: 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

Nyckelord: kaotiska system, fraktionell kalkyl, variabelordsdynamik, neurala nätverk, icke-linjär modellering