Modélisation stochastique de systèmes dynamiques complexes incluant la turbulence, les interactions moléculaires et les effets de mémoire.La dynamique des systèmes complexes est l'étude de la manière dont un grand nombre de composants en interaction donnent naissance à des comportements collectifs qui ne sont pas présents dans les parties individuelles. Cela inclut des phénomènes comme la turbulence dans les fluides, les interactions moléculaires dans les matériaux, et les effets de mémoire dans les systèmes physiques. La modélisation stochastique est essentielle ici car les interactions sont souvent trop nombreuses pour être suivies de manière déterministe, et le hasard joue un rôle clé dans la formation du comportement macroscopique. Ce domaine cherche à identifier des schémas universels, tels que les lois d'échelle et les transitions de phase, qui émergent à travers différents systèmes.
Le cadre moderne des systèmes complexes a émergé au milieu du XXe siècle, avec des contributions de physiciens comme Onsager et Prigogine sur la thermodynamique hors équilibre, et plus tard de pionniers de la théorie du chaos comme Lorenz. L'utilisation explicite de méthodes stochastiques dans ce contexte a été avancée par les travaux de Zwanzig et Mori dans les années 1960 sur les fonctions de mémoire et les équations de Langevin généralisées.
L'approche consiste généralement à réduire les nombreux degrés de liberté à quelques variables à gros grains qui capturent la dynamique essentielle, puis à ajouter des termes stochastiques pour représenter les détails négligés. Par exemple, dans la turbulence, les équations de Navier-Stokes sont souvent remplacées par des modèles stochastiques qui décrivent la cascade d'énergie des grandes aux petites échelles. Dans les systèmes avec mémoire, comme les plasmas ou les verres, la dynamique peut dépendre de l'histoire complète du système, conduisant à des équations intégro-différentielles avec des noyaux de mémoire. Ces modèles sont analysés à l'aide d'outils de la physique statistique, tels que les équations de Fokker-Planck et les intégrales de chemin, pour prédire la probabilité de différents résultats.
Ces modèles sont utilisés dans la prédiction climatique, la conception de matériaux (par exemple, pour les alliages à mémoire), le confinement du plasma dans les réacteurs de fusion, et même dans les marchés financiers pour simuler les fluctuations de prix et les risques systémiques.
Dans certains systèmes complexes, l'ajout de bruit peut en réalité stabiliser la dynamique—un phénomène connu sous le nom de « résonance stochastique »—où un signal périodique faible ne devient détectable que lorsque le niveau de bruit est optimal, un principe exploité dans certains dispositifs électroniques et peut-être dans les systèmes sensoriels biologiques.
| n_s | variable | Scalar spectral index — indice spectral scalaire |
| \epsilon | variable | First slow-roll parameter — slow roll parameter |
| \eta | variable | Second slow-roll parameter — slow roll parameter second |
| r | variable | Tensor-to-scalar ratio — tensor to scalar ratio |
| \sigma_f | variable | Combined uncertainty of the function f — incertitude varies |
| f | variable | Function of multiple measured variables — function varies |
| x_i | variable | i-th measured variable — variable varies |
| \sigma_{x_i} | variable | Uncertainty of the i-th measured variable — incertitude varies |
| \partial f / \partia | opérateur | Partial derivative of f with respect to x_i, giving the sensitivity of f to that variable — dérivée partielle |
| \sqrt{} | opérateur | Square root of the sum of squared terms — racine carrée |
| \sum_i | opérateur | Sum over all independent variables i — somme |
