← 戻る ライブラリ › 微分方程式と力学系 › 力学系 微分方程式と力学系
カオス理論 初期条件に極めて敏感な決定論的系であり、長期的には予測不可能な挙動を生み出す。
直観 なぜ天気を二週間先まで予測できないのか? 天気予報は明日を予測しても来月を予測しても同じ物理法則——ニュートンの方程式、熱力学——を使うが、予報は約十日を過ぎると役に立たなくなる。その理由は方程式が間違っているからでも、コンピュータが遅すぎるからでもない。大気がカオス的 だからである。ブラジルで一羽の蝶が羽ばたき、気温をわずかに変えるだけで、原理的には数週間後に大西洋でハリケーンが発生するかどうかを変えうる。これは神秘主義ではなく、初期条件への鋭敏な依存性と呼ばれる正確な数学的性質であり、1890年代に三体問題を研究していたアンリ・ポアンカレが独立に発見し、1963年に気象学者エドワード・ローレンツがコンピュータの印字結果を小数点以下六桁から三桁に丸めた際に再発見した。
ロジスティック写像 x n + 1 = r x n ( 1 − x n ) x_{n+1} = r x_n(1 - x_n) x n + 1 = r x n ( 1 − x n ) のクモの巣図:パラメータ r r r を 2.5 2.5 2.5 (安定不動点)から 3.2 3.2 3.2 (2 2 2 周期軌道)、そして 3.8 3.8 3.8 (カオス)へと上げてみよう。 大学 鋭敏な依存性とローレンツ系 定義: 初期条件への鋭敏な依存性
力学系が初期条件への鋭敏な依存性を持つとは、互いに距離 δ 0 \delta_0 δ 0 だけ離れた近接点から出発した二つの軌道が指数関数的な速さ ∣ δ n ∣ ≈ ∣ δ 0 ∣ e λ n |\delta_n| \approx |\delta_0|\,e^{\lambda n} ∣ δ n ∣ ≈ ∣ δ 0 ∣ e λn で分離していくことをいい、ここで λ \lambda λ はリアプノフ指数 である。λ > 0 \lambda>0 λ > 0 のとき、ごくわずかな測定誤差 δ 0 \delta_0 δ 0 でさえ有限の時間の後に予報を台無しにするほどの巨視的な大きさへと成長する——これこそ天気予報が約十日で役に立たなくなる理由である。
x ˙ = σ ( y − x ) y ˙ = x ( ρ − z ) − y z ˙ = x y − β z \begin{aligned} \dot x &= \sigma(y-x) \\ \dot y &= x(\rho - z) - y \\ \dot z &= xy - \beta z \end{aligned} x ˙ y ˙ z ˙ = σ ( y − x ) = x ( ρ − z ) − y = x y − β z これはローレンツ系 であり、大気対流を大胆に単純化したものである。x x x は対流ロールの速度に、y y y は上昇流と下降流の間の温度差に、z z z は鉛直温度分布の線形からのずれに比例する。パラメータ σ \sigma σ はプラントル数、ρ \rho ρ はレイリー数(下から流体がどれだけ強く熱せられているか)に比例し、β \beta β は幾何学的な係数である。ローレンツの古典的なカオス的選択は σ = 10 \sigma=10 σ = 10 、ρ = 28 \rho=28 ρ = 28 、β = 8 / 3 \beta=8/3 β = 8/3 であり、これらの値ではあらゆる軌道が最終的に同じ蝶形のフラクタル集合(ローレンツ・アトラクタ )に落ち着くが、ある時刻にどちらの翅の上にいるかは事前にはほぼ予測不可能である。
x n + 1 = r x n ( 1 − x n ) x_{n+1} = r\,x_n(1-x_n) x n + 1 = r x n ( 1 − x n ) はるかに単純な系でも同じ現象が見られる。ロジスティック写像 x n + 1 = r x n ( 1 − x n ) x_{n+1} = r\,x_n(1-x_n) x n + 1 = r x n ( 1 − x n ) は、資源に限りのある人口増加の一次元モデルである(ここで x n ∈ [ 0 , 1 ] x_n\in[0,1] x n ∈ [ 0 , 1 ] は最大値に対する人口の割合、r r r は増加率を制御する)。r r r が小さいときはあらゆる軌道が単一の平衡点に収束する。r r r が増加すると平衡点は安定性を失い、安定な2周期軌道に置き換わり、次いで4周期、8周期へと続く——周期倍増分岐 のカスケードが r ≈ 3.5699 r\approx3.5699 r ≈ 3.5699 (ファイゲンバウム点)で蓄積し、それを超えると軌道は通常もはや繰り返さない。注目すべきことに、分岐点が集積していく速さ δ ≈ 4.6692 \delta\approx4.6692 δ ≈ 4.6692 (ファイゲンバウム定数)は、無関係な膨大な種類の一次元写像に対して同一である——非線形力学において真に普遍的な定数のまれな例である。
rの増加に伴うロジスティック写像の長期的挙動 パラメータ 長期的挙動 r < 3 r<3 r < 3 単一の安定な平衡点 r = 3.2 r=3.2 r = 3.2 安定な周期2軌道 r = 3.5 r=3.5 r = 3.5 安定な周期4軌道 r = 3.57 r=3.57 r = 3.57 カオスの始まり(周期倍増の集積) r = 4 r=4 r = 4 完全にカオス的;リアプノフ指数 ln 2 \ln 2 ln 2 > 0
大学 カオスの定量化:リアプノフ指数 λ = lim n → ∞ 1 n ∑ i = 0 n − 1 ln ∣ f ′ ( x i ) ∣ \lambda = \lim_{n\to\infty}\frac{1}{n}\sum_{i=0}^{n-1}\ln\left|f'(x_i)\right| λ = n → ∞ lim n 1 i = 0 ∑ n − 1 ln ∣ f ′ ( x i ) ∣ リアプノフ指数 λ \lambda λ は、典型的な軌道 x 0 , x 1 , x 2 , … x_0,x_1,x_2,\dots x 0 , x 1 , x 2 , … に沿った、各ステップでの局所的な引き伸ばし係数 ∣ f ′ ( x i ) ∣ |f'(x_i)| ∣ f ′ ( x i ) ∣ の対数の平均であり、近接点が平均として どれほど速く分離するかを測る。これは利率が平均的な指数関数的成長を測るのと同じである。λ > 0 \lambda>0 λ > 0 は近接点が指数関数的に発散すること——カオスの特徴——を意味し、λ < 0 \lambda<0 λ < 0 は安定な平衡点のように収束することを、λ = 0 \lambda=0 λ = 0 は境界的な(周期的または準周期的な)場合を意味する。
ロジスティック写像 f ( x ) = r x ( 1 − x ) f(x)=rx(1-x) f ( x ) = r x ( 1 − x ) について、非自明な平衡点 x ∗ = 1 − 1 r x^* = 1-\tfrac{1}{r} x ∗ = 1 − r 1 は 1 < r < 3 1<r<3 1 < r < 3 で安定であり、ちょうど r = 3 r=3 r = 3 で安定性を失い、安定な周期2軌道へと周期倍増分岐する。
なぜ正しいのか? 平衡点における写像の導関数は、そこでの微小な摂動が一段階後にどれだけ成長または縮小するかを測る。その大きさが1を超えると、その点は引き込み型から反発型へと反転し、写像の2回合成写像の傾きがちょうどその閾値で ( − 1 ) 2 = 1 (-1)^2=1 ( − 1 ) 2 = 1 となるため、まさに新たな周期2軌道が分岐しうる。
証明 ステップ1(平衡点を求める)。r x ( 1 − x ) = x rx(1-x)=x r x ( 1 − x ) = x を解く、すなわち x [ r ( 1 − x ) − 1 ] = 0 x[r(1-x)-1]=0 x [ r ( 1 − x ) − 1 ] = 0 。これにより x = 0 x=0 x = 0 または非自明な平衡点 x ∗ = 1 − 1 r x^* = 1-\tfrac{1}{r} x ∗ = 1 − r 1 が得られ、これは r > 1 r>1 r > 1 のときちょうど ( 0 , 1 ) (0,1) ( 0 , 1 ) に属する。
ステップ2(線形化)。微分すると f ′ ( x ) = r − 2 r x f'(x)=r-2rx f ′ ( x ) = r − 2 r x 。非自明な平衡点で評価すると f ′ ( x ∗ ) = r − 2 r ( 1 − 1 r ) = r − 2 r + 2 = 2 − r f'(x^*) = r - 2r\left(1-\tfrac1r\right) = r - 2r + 2 = 2-r f ′ ( x ∗ ) = r − 2 r ( 1 − r 1 ) = r − 2 r + 2 = 2 − r となり、f ′ ( x ∗ ) = 2 − r f'(x^*) = 2-r f ′ ( x ∗ ) = 2 − r 。
ステップ3(安定性の判定基準)。平衡点が局所的に安定であるのはちょうど ∣ f ′ ( x ∗ ) ∣ < 1 |f'(x^*)|<1 ∣ f ′ ( x ∗ ) ∣ < 1 のときであり、すなわち ∣ 2 − r ∣ < 1 |2-r|<1 ∣2 − r ∣ < 1 で、これは 1 < r < 3 1<r<3 1 < r < 3 と書き換えられる。したがって x ∗ x^* x ∗ はこの範囲全体で近くの軌道を引き寄せる。
ステップ4(r = 3 での分岐)。ちょうど r = 3 r=3 r = 3 で f ′ ( x ∗ ) = − 1 f'(x^*)=-1 f ′ ( x ∗ ) = − 1 となり、線形化は境界的である。r r r が3をわずかに超えると ∣ f ′ ( x ∗ ) ∣ > 1 |f'(x^*)|>1 ∣ f ′ ( x ∗ ) ∣ > 1 となり x ∗ x^* x ∗ は反発点になる。一方、二回合成写像 f ∘ f f\circ f f ∘ f は連鎖律により、r = 3 r=3 r = 3 ちょうどで x ∗ x^* x ∗ における導関数が f ′ ( x ∗ ) 2 = 1 f'(x^*)^2=1 f ′ ( x ∗ ) 2 = 1 となる。f ∘ f f\circ f f ∘ f をより高次に展開すると、この退化点が r r r が3を超えて増加するにつれて f ∘ f f\circ f f ∘ f の二つの真に新しい平衡点(すなわち f f f の安定な周期2軌道)へと分裂することが示される——これが周期倍増分岐である。
「r = 4 r=4 r = 4 」において、ロジスティック写像 x n + 1 = r x n ( 1 − x n ) x_{n+1} = r\,x_n(1-x_n) x n + 1 = r x n ( 1 − x n ) は、ルベーグ測度に関してほとんど全ての初期条件 x 0 ∈ ( 0 , 1 ) x_0\in(0,1) x 0 ∈ ( 0 , 1 ) に対してリアプノフ指数 ln 2 \ln 2 ln 2 を持つ。
なぜ正しいのか? r = 4 での写像は一見単純な倍加写像とはまったく異なって見えるが、巧妙な変数変換(滑らかな共役)によって、あらゆる点で引き伸ばし率が明らかに2である倍加写像そのものに変換される——変数変換によって生じる余分な歪みは、長時間にわたって平均するとゼロに帰着する。
証明 ステップ1(共役)。x = sin 2 ( π y ) x=\sin^2(\pi y) x = sin 2 ( π y ) とおく。倍角の公式を用いると 4 x ( 1 − x ) = 4 sin 2 ( π y ) cos 2 ( π y ) = sin 2 ( 2 π y ) 4x(1-x)=4\sin^2(\pi y)\cos^2(\pi y)=\sin^2(2\pi y) 4 x ( 1 − x ) = 4 sin 2 ( π y ) cos 2 ( π y ) = sin 2 ( 2 π y ) 。倍加写像 T ( y ) = 2 y m o d 1 T(y)=2y \bmod 1 T ( y ) = 2 y mod 1 について y ′ = T ( y ) y' = T(y) y ′ = T ( y ) とおくと、sin 2 ( π y ′ ) = sin 2 ( 2 π y ) \sin^2(\pi y') = \sin^2(2\pi y) sin 2 ( π y ′ ) = sin 2 ( 2 π y ) は上の右辺とちょうど一致するので、h ( y ) = sin 2 ( π y ) h(y)=\sin^2(\pi y) h ( y ) = sin 2 ( π y ) として f ( h ( y ) ) = h ( T ( y ) ) f(h(y)) = h(T(y)) f ( h ( y )) = h ( T ( y )) が成り立つ:r = 4 におけるロジスティック写像は倍加写像と滑らかに共役である。
ステップ2(倍加写像のリアプノフ指数)。倍加写像は微分可能な箇所では至るところ T ′ ( y ) = 2 T'(y)=2 T ′ ( y ) = 2 である区分線形写像なので、あらゆる 軌道に沿って、任意の n n n に対して 1 n ∑ i = 0 n − 1 ln ∣ T ′ ( y i ) ∣ = ln 2 \tfrac1n\sum_{i=0}^{n-1}\ln|T'(y_i)| = \ln 2 n 1 ∑ i = 0 n − 1 ln ∣ T ′ ( y i ) ∣ = ln 2 がちょうど成り立つ——極限は自明に ln 2 \ln 2 ln 2 である。
ステップ3(共役を通して指数を運ぶ)。連鎖律により f ( h ( y ) ) = h ( T ( y ) ) f(h(y))=h(T(y)) f ( h ( y )) = h ( T ( y )) を微分すると f ′ ( h ( y ) ) h ′ ( y ) = h ′ ( T ( y ) ) T ′ ( y ) f'(h(y))h'(y)=h'(T(y))T'(y) f ′ ( h ( y )) h ′ ( y ) = h ′ ( T ( y )) T ′ ( y ) 、すなわち x = h ( y ) x=h(y) x = h ( y ) において ln ∣ f ′ ( x ) ∣ = ln ∣ h ′ ( T ( y ) ) ∣ + ln ∣ T ′ ( y ) ∣ − ln ∣ h ′ ( y ) ∣ \ln|f'(x)| = \ln|h'(T(y))| + \ln|T'(y)| - \ln|h'(y)| ln ∣ f ′ ( x ) ∣ = ln ∣ h ′ ( T ( y )) ∣ + ln ∣ T ′ ( y ) ∣ − ln ∣ h ′ ( y ) ∣ となる。この等式を軌道 y 0 , y 1 , … , y n − 1 y_0,y_1,\dots,y_{n-1} y 0 , y 1 , … , y n − 1 に沿って足し合わせ n n n で割ると、中間の項がドミノ式に相殺し 1 n ∑ i = 0 n − 1 ln ∣ f ′ ( x i ) ∣ = ln 2 + 1 n [ ln ∣ h ′ ( y n ) ∣ − ln ∣ h ′ ( y 0 ) ∣ ] \tfrac1n\sum_{i=0}^{n-1}\ln|f'(x_i)| = \ln2+\tfrac1n\big[\ln|h'(y_n)|-\ln|h'(y_0)|\big] n 1 ∑ i = 0 n − 1 ln ∣ f ′ ( x i ) ∣ = ln 2 + n 1 [ ln ∣ h ′ ( y n ) ∣ − ln ∣ h ′ ( y 0 ) ∣ ] となる。
ステップ4(境界項が消える)。h ′ ( y ) = π sin ( 2 π y ) h'(y)=\pi\sin(2\pi y) h ′ ( y ) = π sin ( 2 π y ) は有界(その大きさは決して π \pi π を超えない)なので、括弧内の項 ln ∣ h ′ ( y n ) ∣ − ln ∣ h ′ ( y 0 ) ∣ \ln|h'(y_n)|-\ln|h'(y_0)| ln ∣ h ′ ( y n ) ∣ − ln ∣ h ′ ( y 0 ) ∣ は、h ′ h' h ′ の可算個の零点——ルベーグ測度ゼロの集合——を避けるあらゆる軌道について n → ∞ n\to\infty n → ∞ としても有界のままである。有界な量を n n n で割ると 0 0 0 に収束するので、r = 4 におけるロジスティック写像のリアプノフ指数は、ほとんど全ての初期条件について ln 2 \ln 2 ln 2 に等しい。
大学 実世界での応用と具体例 カオス理論は天気だけの話ではない。心拍モニターがカオス的な細動の発生を監視する理由、安全なカオス通信システムがメッセージをカオス的な搬送信号に混ぜ込み、まったく同じパラメータを持つ受信機だけが復号できる理由、繁殖率 r r r の高い個体群生態モデルが外部からのランダム性なしに激しく振動しうる理由、そして技術者が乱数生成や暗号化のためにわざとカオス信号を生み出す電子回路(チュア回路など)を設計する理由を説明する。いずれの場合でも同じ二つの計算が繰り返される。平衡点や周期軌道を求めて線形化することと、小さな誤差がどれほど速く爆発的に拡大するかを示すリアプノフ指数を見積もることである。
例: 永遠に振動する個体群:r = 3.2 における周期2軌道
ある漁業では、来年の資源量の割合をロジスティック写像 x n + 1 = r x n ( 1 − x n ) x_{n+1} = r\,x_n(1-x_n) x n + 1 = r x n ( 1 − x n ) (成長パラメータ r = 3.2 r=3.2 r = 3.2 、周期倍増の閾値 r = 3 r=3 r = 3 を超える)でモデル化している。過渡的な振る舞いが消えた後、資源量が交互に取る二つの個体数水準を求めよ。
解答 周期2軌道の点は、それ自体は平衡点ではないが f ( f ( x ) ) = x f(f(x))=x f ( f ( x )) = x を満たすので、f ( f ( x ) ) − x f(f(x))-x f ( f ( x )) − x はゼロにならなければならない。f ( f ( x ) ) − x f(f(x))-x f ( f ( x )) − x を展開し、すでに f ( x ) = x f(x)=x f ( x ) = x を満たす通常の平衡点 x = 0 x=0 x = 0 と x ∗ = 1 − 1 / r x^*=1-1/r x ∗ = 1 − 1/ r (したがって自明に f ( f ( x ) ) = x f(f(x))=x f ( f ( x )) = x )である二つの根を除くと、真に新しい因子 r 2 x 2 − r ( r + 1 ) x + ( r + 1 ) = 0 r^2x^2-r(r+1)x+(r+1)=0 r 2 x 2 − r ( r + 1 ) x + ( r + 1 ) = 0 が残る。
これは x x x に関する二次方程式である。二次方程式の解の公式により x = ( r + 1 ) ± ( r − 3 ) ( r + 1 ) 2 r x=\dfrac{(r+1)\pm\sqrt{(r-3)(r+1)}}{2r} x = 2 r ( r + 1 ) ± ( r − 3 ) ( r + 1 ) 。
r = 3.2 r=3.2 r = 3.2 を代入すると、分子の項は r + 1 = 4.2 r+1=4.2 r + 1 = 4.2 および ( r − 3 ) ( r + 1 ) = 0.2 × 4.2 = 0.84 (r-3)(r+1)=0.2\times4.2=0.84 ( r − 3 ) ( r + 1 ) = 0.2 × 4.2 = 0.84 となり、0.84 ≈ 0.9165 \sqrt{0.84}\approx0.9165 0.84 ≈ 0.9165 、2 r = 6.4 2r=6.4 2 r = 6.4 である。これにより x ≈ { 0.513 , 0.799 } x\approx\{0.513,\ 0.799\} x ≈ { 0.513 , 0.799 } が得られる。
したがって漁業資源は、収容力の約 51.3 % 51.3\% 51.3% と 80.0 % 80.0\% 80.0% の間を毎年交互に取る振動へと落ち着く——これは系がカオス的になるずっと前に、完全に決定論的な規則から生じる、真に周期的な個体群サイクルである。
例: なぜ十日なのか?天気の予報可能限界を見積もる
大気モデルのリアプノフ指数は一日あたり約 λ ≈ 0.9 \lambda\approx0.9 λ ≈ 0.9 と見積もられている。二つの予報計算が(正規化された単位で)δ 0 = 10 − 6 \delta_0=10^{-6} δ 0 = 1 0 − 6 だけ離れた状態で始まるとし、これはほぼ完璧な初期測定を表す。n = 10 n=10 n = 10 日後にこのごくわずかな差がどれほど大きくなっているかを見積もり、それが予報にとって何を意味するか述べよ。
解答 リアプノフ指数の定義により、小さな誤差は(平均として)δ n ≈ δ 0 e λ n \delta_n \approx \delta_0\,e^{\lambda n} δ n ≈ δ 0 e λn のように成長する。
λ ≈ 0.9 \lambda\approx0.9 λ ≈ 0.9 (1日あたり)と n = 10 n=10 n = 10 日から、指数は λ n ≈ 0.9 × 10 = 9 \lambda n \approx 0.9\times10=9 λn ≈ 0.9 × 10 = 9 となり、成長率は e 9 ≈ 8103 e^{9}\approx8103 e 9 ≈ 8103 である。
δ 0 = 10 − 6 \delta_0=10^{-6} δ 0 = 1 0 − 6 から出発すると、十日後には誤差は δ 10 ≈ 10 − 6 × 8103 ≈ 8.1 × 10 − 3 \delta_{10}\approx10^{-6}\times8103\approx8.1\times10^{-3} δ 10 ≈ 1 0 − 6 × 8103 ≈ 8.1 × 1 0 − 3 にまで成長する——当初はごくわずかで実質的に測定不可能だった差が、約八千倍に増幅されたことになる。
実際の測定・モデル化の誤差は相対的にすでに 10 − 6 10^{-6} 1 0 − 6 よりはるかに大きいため、この指数関数的な急増こそが、物理モデルがどれほど優れていても、コンピュータがどれほど強力であっても、業務用の天気予報が約一〜二週間で予測能力を完全に失う理由である。それは λ \lambda λ によって定まる数学的な限界であり、工学的な制約ではない。
よくある誤り. 「カオス的」は「ランダム」を意味しない。ロジスティック写像 x n + 1 = r x n ( 1 − x n ) x_{n+1} = r\,x_n(1-x_n) x n + 1 = r x n ( 1 − x n ) は完全に決定論的である——x 0 x_0 x 0 を正確に知っていれば、将来のあらゆる x n x_n x n は規則の中に一切のランダム性なく決定される。ランダムに見える理由は、私たち が x 0 x_0 x 0 を無限の精度で知ることが決してできず、λ > 0 \lambda>0 λ > 0 がその小さく避けられない不確かさを指数関数的に極めて速く増幅するからである。もう一つのよくある誤りは、「複雑に見える」挙動を何でもカオスとみなすことである。系は複雑でありながら完全に予測可能なこともあり(例えば長いが正確に周期的な軌道)、逆にカオスは短時間では見かけ上単純に見えることもある。正しい判定基準は常にリアプノフ指数の符号であり、見た目の印象ではない。 歴史的ノート
1890年、スウェーデン国王オスカル2世の懸賞に応募していたアンリ・ポアンカレは、制限三体問題を研究する中で、方程式が実際には長期予測を絶望的にするほど複雑に絡み合った軌道を生み出しうることを発見した——これが後にカオスと呼ばれるものへの数学的な最初の一瞥であった。この着想はその後ほぼ眠ったままであったが、1963年、気象学者エドワード・ローレンツが、12変数の気象モデルを、コンピュータ内部の六桁ではなく三桁に丸められた中間地点の印字結果から再実行したところ、シミュレーション上の一か月以内に新しい実行結果が元のものと完全に食い違うことを発見した。彼の1963年の論文「決定論的非周期的流れ」は三本の方程式からなるローレンツ系と蝶効果の比喩を導入した。1975年、生物学者から数学者に転じたロバート・メイの概説論文「非常に複雑な力学を持つ単純な数学モデル」は、素朴なロジスティック写像がすでに周期倍増によるカオスへの道筋を完全に含んでいることを示し、この主題を幅広い科学界に広め、現代の非線形力学の分野に火をつけた。
アンリ・ポアンカレ
研究 研究最前線:厳密なカオスと高次元乱流 研究の最前線 2026年時点
特定のコンピュータシミュレーションによるアトラクタが、極めて長いが最終的には周期的な数値的産物ではなく本当に カオス的であることを証明するのは、意外なほど難しい。浮動小数点の丸め誤差それ自体が、正のリアプノフ指数によって増幅される摂動だからである。ローレンツ・アトラクタが頑健で真にカオス的な(ストレンジ)アトラクタとして存在することは、2002年にウォーリック・タッカーによって初めて厳密に証明された。単一の浮動小数点軌道ではなく、流れの厳密な包含領域を追跡するために区間演算を用いたもので、この計算機支援証明はスティーブ・スメイルによる21世紀の問題リストの第14問を解決した。この種の厳密な計算機支援手法は、高次元および無限次元の系に対する活発な研究分野となっている。乱流を支配するナビエ–ストークス方程式が有限次元のよく定義されたカオス的アトラクタを持つかどうかは、一般には依然として未解決であり、パリス予想(「ほとんどの」力学系は双曲的であるか、有限個のアトラクタしか持たないというもの)が成り立つかどうかも特殊な場合を除いて未解決であり、乱流の発生を予測し、(電力網から神経集団モデルまで)大規模な結合系におけるリアプノフ指数を厳密に評価するための機械学習ベースの代理モデルは、2026年現在急速に成長している分野である。
非自明な平衡点が x ∗ = 1 − 1 r x^* = 1-\tfrac{1}{r} x ∗ = 1 − r 1 であるロジスティック写像 f ( x ) = r x ( 1 − x ) f(x)=rx(1-x) f ( x ) = r x ( 1 − x ) について、導関数 f ′ ( x ∗ ) f'(x^*) f ′ ( x ∗ ) を r r r で表すとどうなるか?
2 − r 2-r 2 − r r − 2 r-2 r − 2 1 − r 1-r 1 − r r r r 二つの天気予報の実行が δ 0 = 10 − 6 \delta_0=10^{-6} δ 0 = 1 0 − 6 (正規化単位)離れて始まる。δ n ≈ δ 0 e λ n \delta_n\approx\delta_0 e^{\lambda n} δ n ≈ δ 0 e λn と λ ≈ 0.9 \lambda\approx0.9 λ ≈ 0.9 (1日あたり)を用いると、n = 10 n=10 n = 10 日後に隔たりはおよそ何倍に成長しているか?
≈ 8 × 10 3 \approx 8\times10^{3} ≈ 8 × 1 0 3 ≈ 9 \approx 9 ≈ 9 ≈ 0.8 \approx 0.8 ≈ 0.8 ≈ 10 − 6 \approx 10^{-6} ≈ 1 0 − 6 ロジスティック写像の非自明な平衡点 x ∗ = 1 − 1 r x^* = 1-\tfrac{1}{r} x ∗ = 1 − r 1 が周期倍増によって最初に安定性を失うのはパラメータ r r r がどの値のときか?
r = 2 r=2 r = 2 r = 3 r=3 r = 3 r = 3.57 r=3.57 r = 3.57 r = 4 r=4 r = 4 ある力学系のリアプノフ指数が λ > 0 \lambda>0 λ > 0 である。これは何を示すか?
近くの軌道が時間とともに収束していく。 近くの軌道が指数関数的に発散する——カオスの特徴である。 系は正確に周期的である。 系は平衡点に落ち着いている。