С. Капица - Синергетика и прогнозы будущего

Возникает соблазн изучить действие нелинейной положительной обратной связи "в чистом виде", не привлекая каких-либо усложняющих факторов и отвлекаясь от множества подробностей, связанных с описанием отдельных систем. Эта работа и была проведена упоминавшейся научной школой в Институте прикладной математики, МГУ и МФТИ, к которой и относят себя авторы этой книги.

Наиболее яркими и важными оказались результаты исследования нелинейной среды, в которой есть только два конкурирующих процесса. Это нелинейный источник, отражающий положительную обратную связь – Q(T) , и диссипативный процесс, нелинейность которого определяется коэффициентом k(T)

T t = (k(T)T x) x + Q(T) (2)

Если эти функции имеют степенной вид:

.

Q(T) = q 0 , k(T) = k 0 , k 0 , q 0, > 0, >0 (3)

то модель (2) называют моделью тепловых структур . Название связано с ее происхождением – первоначально она представлялась как упрощенная модель ряда процессов в физике плазмы и в теории управляемого термоядерного синтеза. Однако генезис модели сейчас не важен и ее вполне можно трактовать как феноменологическое описание распространения информации о некоторой проблеме в научном сообществе.

При такой интерпретации "пространственная координата" x характеризует интенсивность контактов "удаленность друг от друга" членов научного сообщества, переменная t – время, T – плотность информации в научном сообществе. Смысл нелинейных зависимостей также весьма прост. Растущая функция Q(T) отражает тот факт, что чем больше мы знаем, тем больше шансов узнать что-то еще. Нелинейность поясняет простая притча:"Если у тебя есть яблоко, и ты отдал его мне, то яблок у тебя не осталось. Но если у нас есть по идее, и мы рассказали их друг другу, то у каждого стало по две идеи." Степенная зависимость k(T) отражает тот простой факт, что если не о чем рассказывать, то информация не раcпространяется k(0) =0, а чем значительнее достижения, тем быстрее узнает о них сообщество.

Обсудим ряд свойств модели (2) и (3). Первый парадоксальный результат можно получить, предположив, что все члены сообщества одинаково информированы – T x =0. Тогда

.

d T /dt = q 0 , T (0) = T 0 (4)

где T 0 – плотность информации в начальный момент времени. Решение этого уравнения существует только конечный промежуток времени, определяемый начальным значением T(0) (см. рис.13). После этого в игру должны вступать другие стабилизирующие факторы, и следует переходить к другим моделям (как мы увидим в четвертой главе, именно такая ситуация возникает при феноменологическом описании демографических процессов). Обратим внимание на замечательный характер кривых, соответствующих решениям уравнения (4). В течение длительного времени (специалисты называют его квазистационарной стадией) функция T почти не меняется, кажется, что вообще ничего не происходит. Но вблизи момента времени t f , называемого временем обострения, неустойчивость приобретает взрывной характер. Стандартный алгоритм прогнозирования, до сих пор применяемый в социальных науках – "посчитай на сколько процентов изменялась величина за предыдущий промежуток времени; чтобы получить будущее изменение, надо домножить этот процент на текущее значение". Знаменитый прием планирования "от достигнутого" – здесь неприменим.

Рис. 13. Решения уравнения (4) при различных начальных данных T_0. В каждом случае за конечный промежуток времени решение неограниченно возрастает.

Напротив, для линейного уравнения, предлагавшегося Мальтусом и его последователями для роста народонаселения

dn/dt n = n, n(0) = n 0(5)

он прекрасно работает. Решения этого линейного уравнения представлены на рис.14. Здесь решения также описывают некоторый рост. Но, во-первых, они существуют бесконечно долго. Во-вторых, роль начальных данных здесь не так драматична. Представим себе два решения уравнения (5), cоответствующие начальным данным n 1(0) и n 2(0). Соотношение между ними остается неизменным n 1(t)/ n 2(t)= n 0(0)/ n 2(0) и таким же, как вначале. Напротив, как бы ни была мала разница начальных данных для решения уравнение (4) T 1 (t) и T 2 (t), она будет стремительно расти T 1 (t)/ T 2 (t) , и вторая траектория "безнадежно отстанет" вблизи момента обострения первой. "Миры", в которых существуют эти решения, живут в разном темпе.

Рис. 14. Решение линейного уравнения (5) – простейшей математической модели демографии при различных начальных данных n 0. Эта модель дает экспоненциальный рост населения. Если зафиксировать интервал Delta t, то величины n(0), n( t), n(2 t) образуют геометрическую прогрессию.

Рассмотрим теперь пространственно-распределенную систему, дополнив модель (2) и (3) начальными данными

- , T ( x , 0 ) = T 0 ( x ).

Будем считать, что существует значительная часть сообщества, которая не располагает информацией о данном научном направлении T 0 ( x )=0 при x>b и x (см. рис.15). Происходящее в этом случае кардинально зависит от соотношения между скоростью производства новой информации и эффективностью ее распространения (или, в терминах обсуждаемой модели, от соотношения показателей степеней).

Типичная картина, наблюдаемая при = +1, показана на рис.15. Вначале информация распространяется. При этом информация во всей системе растет, однако в ее отдельных частях ее плотность может уменьшаться. Это может соответствовать тому, что часть активных исследователей начинает уделять основное внимание популяризации сделанного, научно-организационной работе. Но далее, начиная с некоторого момента, решение оказывается пространственно-локализовано. Профиль "плотности информации" сохраняет свою полуширину и форму. Так же, как решение уравнения (4), он развивается по такому закону, в соответствии с которым T(x, t) при некоторых значениях координаты x неограниченно возрастает за конечное время (такой закон называется ростом в режиме с обострением). Сохранение формы в ходе процесса позволяет говорить о том, что здесь мы имеем дело с появлением организации, с возникновением диссипативной структуры. Упорядоченность такого типа стали называть нестационарными диссипативными структурами, чтобы подчеркнуть их отличие от традиционных стационарных, не меняющихся со временем структур (как на рис. 12).