Читать онлайн «Паутина жизни. Новое научное понимание живых систем». Страница 29

В XIX веке великий физик Джеймс Кларк Максвелл нашел ответ. И хотя поведение молекул газа не могло быть определено абсолютно точно, ученый утверждал, что наблюдаемые регулярности могут быть обусловлены их усредненным поведением. И Максвелл предложил использовать статистические методы для определения законов движения для газов:

Мельчайшая порция вещества, которую мы можем подвергнуть эксперименту, состоит из миллионов молекул, ни одна из которых индивидуально нами не ощущается. Мы не можем поэтому установить реальное движение ни одной из этих молекул; следовательно, мы вынуждены отказаться от прямого исторического метода и принять статистический метод для работы с большими группами молекул4.

Метод Максвелла и в самом деле оказался весьма успешным и позволил физикам объяснить основные свойства газа на основе усредненного поведения его молекул. Например, стало ясно, что давление газа — это сила, вызванная усредненным напором молекул5; оказалось также, что температура пропорциональна усредненной энергии движения молекул. Статистика и теория вероятности, теоретическая основа метода, развивались начиная еще с XVII века и уже были готовы к применению в теории газов. Объединение статистических методов с ньютоновской механикой привело к возникновению новой области науки, которая, соответственно, была названа статистической механикой; она и стала теоретической основой термодинамики — теории тепла.

Нелинейность

Итак, к концу XIX века ученые разработали два различных математических инструмента для моделирования естественных явлений — точный (детерминистские уравнения движения для простых систем) и уравнения термодинамики, основанные на статистическом анализе усредненных величин для сложных систем.

И хотя эти два подхода совершенно различны, есть у них и общая черта: они используют линейные уравнения. Ньютоновы уравнения движения носят весьма общий характер и применимы как для линейных, так и для нелинейных явлений; в действительности же нелинейные уравнения получаются гораздо чаще, можно сказать на каждом шагу. Однако, поскольку они обычно слишком сложны для решения и связаны с хаотической, на первый взгляд, природой соответствующих физических явлений — например, с турбулентными потоками воды и воздуха, — ученые, как правило, избегают изучения нелинейных систем6.

Поэтому, как только нелинейные уравнения появлялись, их тут же «линеаризовали», т. е. заменяли линейными приближениями. В результате, вместо того чтобы описывать явления во всей их сложности, уравнения классической науки имели дело с малыми колебаниями, неглубокими волнами, небольшими изменениями температуры и т. д. Как заметил Ян Стюарт, эта привычка укоренилась настолько, что многие уравнения линеаризировались уже в ходе составления, поэтому в учебники даже не включались полные нелинейные версии. И даже у большинства ученых и инженеров сложилось убеждение, что фактически все природные явления можно описать с помощью линейных уравнений. «Как мир был подобен заводным часам в XVIII столетии, так он стал линейным в XIX и большей части XX столетия»7.

Решительная перемена за последние три десятилетия выразилась в осознании того, что Природа, по выражению Стюарта, «безжалостно нелинейна». Нелинейные процессы преобладают в неодушевленном мире в гораздо более значительной степени, чем мы предполагали. Они также являются существенным аспектом сетевых паттернов живых систем. Теория динамических систем — первая математическая система, позволяющая ученым работать со всем диапазоном сложности этих нелинейных феноменов.

Исследования нелинейных систем за последние десятилетия оказали значительное влияние на науку в целом, поскольку заставили нас заново оценить некоторые фундаментальные представления о взаимоотношениях между математической моделью и теми феноменами, которые она описывает. Одно из таких представлений касается нашего понимания простоты и сложности.

Пребывая в мире линейных уравнений, мы думали, что системы, описываемые простыми уравнениями, отличаются простым поведением, в то время как описываемые сложными уравнениями ведут себя гораздо сложнее. В нелинейном мире — который, как мы начинаем обнаруживать, составляет львиную долю реального мира — простые детерминистские уравнения могут таить в себе неожиданное богатство и разнообразие поведения. С другой стороны, сложное и кажущееся хаотичным поведение может породить упорядоченные структуры, тонкие и изящные паттерны. В теории хаоса сам термин хаос приобрел новое, техническое значение. Поведение хаотических систем не просто беспорядочно: оно проявляет более глубокий уровень паттернового порядка. Как мы увидим ниже, новый математический аппарат позволяет рассмотреть эти глубинные паттерны в явных и отчетливых формах.

Еще одно важное свойство нелинейных уравнений, которое всегда смущало ученых, заключается в том, что точное предсказание часто бывает неосуществимо, даже если уравнения строго детерминированы. Эта поразительная особенность нелинейности обусловила важный сдвиг акцента от количественного анализа к качественному.

Обратная связь и итерации

Третье важное свойство нелинейных систем вытекает из частого возникновения в них процессов с усиливающей обратной связью. В линейных системах малые изменения производят малые эффекты, а значительные эффекты являются следствием либо больших изменений, либо суммы множества мелких изменений. В нелинейных системах, напротив, мелкие изменения могут вызвать драматический эффект, если они многократно усиливаются через обратную связь. Такие нелинейные процессы с обратной связью лежат в основе неустойчивости и внезапного появления новых форм порядка, столь характерных для самоорганизации.

Математически петля обратной связи соответствует особому типу нелинейного процесса, известному как итерация (латинское «повторение»); в этом процессе функция многократно применяется к себе самой. Например, если функция состоит в умножении переменной на 3, т. е. f(x) = Зх, то итерация заключается в многократном умножении. В математике это записывается так:

х → Зх

Зх → 9х

9х → 27х

и т. д.

Каждый из этих шагов называется отображением. Если мы представим себе переменную х в виде числовой оси, то операция х — > Зх отображает каждое число на другое число на этой же оси. В более общем случае отображение, состоящее в умножении х на постоянное число /с, записывается в виде:

х → kх.

Часто встречаемой в нелинейных системах итерацией, очень простой и в то же время производящей огромную сложность, является отображение:

х → kх(1 — х),

где переменная х ограничена значениями от 0 до 1. Это отображение, известное математикам как логистическое, имеет много важных приложений. Его, например, используют экологи для описания роста населения при противоположных тенденциях, и поэтому оно также известно как уравнение роста8.

Исследование итераций разнообразных логистических отображений представляет собой увлекательное упражнение, которое можно легко осуществить с помощью карманного калькулятора9. Чтобы понять существенную особенность этих итераций, снова выберем значение k=3:

х → Зх(1 — х).

Переменную х можно представить в виде участка оси от 0 до 1, тогда очень просто вычислить отображения для нескольких точек, например

→ 0(1 — 0) =00.2 → 0.6 (1 — 0.2) = 0.480.4 → 1.2 (1 — 0.4) = 0.720.6 → 1.8 (1–0.6) = 0.720.8 → 2.4 (1 — 0.8) = 0.48

→ 3(1–1) =0.

Отметив эти числа на двух участках оси, можно увидеть, что величины от 0 до 0,5 отображаются числами от 0 до 0,75. Таким образом, 0,2 превращается в 0,48, а 0,4 становится 0,72. Числа от 0,5 до 1 отображаются на том же участке, но в обратном порядке. Так, 0,6 превращается в 0,72, а 0,8 становится 0,48. Общий эффект показан на рис. 6–6. Отображение растягивает отрезок от 0 до 1,5, а затем снова сворачивает его так, что значения пробегают от 0 до 0,75 и обратно.

Итерация этого отображения выльется в повторяющееся растягивание и сворачивание операций подобно тому, как пекарь вновь и вновь месит тесто, сворачивая и растягивая его. Эту итерацию очень удачно назвали преобразованием пекаря. По мере того как происходит растягивание и сжимание, соседние точки на отрезке будут все дальше и дальше расходиться, и предсказать, где окажется определенная точка после множества итераций, становится невозможно.

Даже самые мощные компьютеры округляют свои вычисления, ограничивая количество цифр после точки; и после большого количества итераций даже мелкие погрешности округления складываются в значительную неопределенность, исключая любые предсказания. 11реобра-зование пекаря есть прототип нелинейных сверхсложных непредсказуемых процессов, обозначаемых специальным термином «хаос».