Йэн Стюарт - Укрощение бесконечности. История математики от первых чисел до теории хаоса [litres]

Странные аттракторы математиков, рассматриваемые с точки зрения геометрии, на поверку оказались фракталами, и два направления научной мысли сплелись в новую отрасль, известную нам как теория хаоса.

Хаос можно найти практически в любой области науки. Джек Уиздом и Жак Ласкар открыли, что динамика Солнечной системы хаотична. Нам известны все уравнения, массы и скорости, необходимые для предсказания всех движений в вечности, но есть горизонт предсказаний примерно в 10 млн лет из-за хаоса в динамике. Если вам захочется узнать, по какую сторону от Солнца окажется Плутон через 10 млн лет, – лучше и не мечтайте. Те же астрономы доказали, что лунные приливы стабилизируют Землю от воздействий, которые иначе привели бы к хаотичному движению с моментальными сменами климата от жарких периодов к ледниковым и обратно. Так теория хаоса показывает, что без Луны Земля превратилась бы в весьма неприятное место для жизни.

Хаос возникает почти в любой математической модели биологических популяций, и последние эксперименты (где жуков разводят в контролируемых условиях) доказывают, что он отражает реальные законы существования популяций. Экосистемы в природе не достигают сбалансированного состояния сами по себе: они мечутся вдоль странных аттракторов, как правило кажущихся очень знакомыми на первый взгляд, но всегда разных. Наша неспособность разобраться в этих тончайших механизмах регуляции экосистем – одна из причин того, что мы истощили мировые запасы рыбы.

От хаоса самое время перейти к сложности. Большинство проблем, с которыми пришлось столкнуться современной науке, поражают своей необычайной сложностью. Чтобы управлять жизнью кораллового рифа, леса или запасами рыбы в океане, необходимо понимать нюансы экосистемы, в которой вроде бы безобидные изменения могут вызвать неожиданные проблемы. Реальный мир настолько сложен и так неохотно поддается измерению, что традиционные способы моделирования тут практически неприменимы, а проверить их еще труднее. В ответ на этот вызов всё больше ученых убеждается в том, что для описания реального мира нам необходимы фундаментальные изменения в том, как мы моделируем наш мир.

В начале 1980-х гг. Джордж Кован, бывший глава исследовательского центра в Лос-Аламосе, решил, что один из способов двигаться вперед лежит в области развития теорий нелинейной динамики. Здесь незначительные факторы могут породить мощные эффекты, жесткие правила – привести к анархии, привычные предметы – обрести невероятные свойства. Иными словами, здесь есть всё, что характерно для реального мира. Но достаточно ли этих сходств для того, чтобы добиться истинного понимания законов природы?

Пока нелинейная динамика не стала главной темой в научном моделировании, ей отводилась в основном теоретическая роль. Самой известной работой стало исследование Пуанкаре для задачи трех тел в небесной механике. Оно предсказало существование чрезвычайно сложных орбит, однако не помогло понять, как они выглядят. Главной целью работы было доказать, что у простых уравнений может не быть простых решений – что сложность не закладывается изначально, а может иметь простой источник.

Современные компьютеры могут вычислить сложные орбиты для задачи трех тел

Кован высказал идею о целесообразности создания нового научно-исследовательского института для междисциплинарных исследований и развития нелинейной динамики. Его поддержал Марри Гелл-Ман, нобелевский лауреат по физике элементарных частиц. В 1984 г. они создали объединение, позже названное Институтом Рио-Гранде. Сейчас он известен как Институт Санта-Фе, международный центр по изучению сложных систем. Теория сложности уже стала источником новейших математических методов и подходов с использованием компьютеров для создания цифровых моделей природы. Благодаря машинам ученые анализируют эти модели и открывают потрясающие свойства сложных систем. И они используют нелинейную динамику и другие области математики, чтобы понять, что выдают им компьютеры.

В одном из видов новых математических моделей, известном как клеточный автомат , такие объекты, как деревья, птицы или б е лки, воплощаются в виде маленьких разноцветных ячеек. Они взаимодействуют с соседними ячейками в математической компьютерной игре. Но их простота обманчива: такие игры занимают передовой край современной науки.

Клеточный автомат получил признание в 1950-х гг., когда Джон фон Нейман старался понять способность живых организмов к самовоспроизведению. Станислав Улам предложил воспользоваться системой, открытой пионером компьютеростроения Конрадом Цузе еще в 1940-х. Представьте вселенную, состоящую из огромной решетки квадратов, названных ячейками , вроде гигантской шахматной доски. В любой момент любой квадрат может существовать в определенном состоянии. На этой доске-вселенной действуют все законы природы, описывающие, как именно должно меняться состояние каждой ячейки в следующий миг. Изменения состояния удобно представлять разными цветами. Тогда правила можно выразить так: если ячейка красная, а рядом с нею две синих, она должна стать желтой. Любая система такого рода называется клеточным автоматом: клеточным из-за строения, автоматом из-за слепого подчинения предписанным правилам.

Чтобы смоделировать фундаментальные особенности живых существ, фон Нейман создал конфигурацию ячеек, способных воспроизводиться – создавать копии себя. Потребовалось 200 тыс. ячеек и 29 разных цветов для алгоритмического описания всей системы. Она может слепо копироваться и использоваться в качестве шаблона для новых конфигураций того же типа. Фон Нейман не публиковал свою работу до 1966 г.: к этому времени Крик и Уотсон уже успели открыть структуру ДНК, и стало ясно, как на самом деле жизнь воспроизводит этот цикл репликации. Клеточный автомат пребывал в забвении еще 30 лет.

Клеточный автомат

Однако к 1980-м гг. стал расти интерес к системам, состоящим из большого количества простых частей, которые, взаимодействуя, способны производить сложное целое. Традиционно считалось, что математическая модель системы будет тем лучше, чем больше исходных данных удастся в нее включить. Но такой высокодетализированный подход оказался бесполезным для очень сложных систем. Предположим, например, что вы хотите смоделировать рост популяции кроликов. Вам нет нужды включать в модель ни длину кроличьей шерсти, ни длину ушей, ни особенности их иммунитета. Вам необходимо лишь несколько основных фактов о каждом животном: возраст, пол, беременная самка или нет. Только так вы сможете ориентировать ресурсы своего компьютера на то, что действительно важно.