Un système stable fonctionne comme une balle dans un bol : une poussée, et elle roule vers le fond. L'éventail des trajectoires possibles — l'incertitude — se resserre avec le temps. Mais la vitesse dépend de l'inclinaison des parois. Pour les systèmes complexes, ce « bol » présente des zones de pentes différentes. Auparavant, on estimait le temps de retour en considérant l'endroit le plus plat — une précaution qui surestimait la prévision. La nouvelle méthode calcule la pente moyenne là où le système se trouve réellement.
Les auteurs ont montré que si l'on remplace un simple régulateur par un régulateur non linéaire (l'équivalent d'une suspension intelligente), les chocs aléatoires sont mieux amortis. Bien que la rigidité maximale soit la même, la forme du bol change, ramenant plus activement le système à la normale. Cela améliore les algorithmes d'apprentissage automatique, où il est important de converger plus rapidement vers les données pertinentes.
Comme une toupie qui vacille de plus en plus avant de s'immobiliser soudainement, l'erreur de modélisation croît jusqu'à un pic puis chute brusquement — et le moment de ce pic peut être calculé à l'avance en connaissant la pente moyenne.
Dans les récits d'Isaac Asimov, les robots obéissent à des lois qui garantissent leur prédictibilité — tout comme la théorie de la contraction promet que le système reviendra à la normale après tout incident.