Un système stable fonctionne comme une balle dans un bol : on la pousse, et elle roule vers le fond. L'étalement 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 par 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 régulateur simple par un 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 le système à la normale plus activement. Cela améliore les algorithmes d'apprentissage automatique, où il est important de converger plus rapidement vers les données souhaitées.
Comme une toupie qui vacille de plus en plus avant de s'arrêter soudainement, l'erreur de simulation croît jusqu'à un pic puis chute brusquement — et le moment de ce pic peut être calculé à l'avance, connaissant la pente moyenne.
Dans les récits d'Isaac Asimov, les robots obéissent à des lois qui garantissent leur prévisibilité — tout comme la théorie de la contraction promet que le système reviendra à la normale après tout incident.