📄 Показана версия «Просто» — «Подробно» пока не готова. Добавьте ★ в избранное, если хотите её ускорить. Прошу разобрать полностью

Бросьте камень в спокойный пруд — круги разойдутся ровно. Бросьте в бурлящий поток — вода закрутится непредсказуемо. Похожий вопрос давно мучает учёных: как по одному лишь пути частицы понять, хаотично ли её движение? Раньше для этого приходилось сравнивать путь частицы с соседними, что сложно и долго. Теперь предложен способ, который обходится без таких сравнений.

Вместо обычного пространства учёные смотрят на особое пространство, где каждая точка означает сразу и положение частицы, и её скорость. Путь частицы в этом пространстве — как линия на карте, но карта необычная. Если движение упорядоченное, эта линия остаётся гладкой и короткой, как натянутая нить. Если движение хаотичное, линия становится изрезанной и длинной, как береговая линия с бесконечными заливами и мысами. Именно длину этой линии и предложили измерять.

Чтобы отличить хаос от порядка, учёные смотрят, как меняется длина линии со временем. У упорядоченного движения эта длина остаётся постоянной, как ровный шаг. У хаотического — длина растёт, но не как попало, а по особому закону, похожему на шум прибоя: чем дольше наблюдаешь, тем больше накапливается изменений. Этот закон уже известен физикам и называется «розовый шум» — он встречается в музыке, биении сердца и даже мерцании звёзд.

Такой подход проверили на двух классических задачах, где хаос и порядок соседствуют, как улицы старого города. В обоих случаях метод безошибочно указал, где движение упорядоченное, а где — хаотичное. И всё это без сложных вычислений, которые раньше были обязательны. Теперь можно быстро размечать большие области пространства, что пригодится для обучения компьютеров распознавать хаос и порядок в самых разных системах — от движения планет до биения сердца.

Оригинальная аннотация

как её написали авторы, на английском arXiv:2602.07660

In this paper we demonstrate that the phase space arclength of a trajectory, quantified by the time-averaged Lagrangian descriptor, is a robust and self-contained chaos indicator. By invoking Birkhoff's Ergodic Partition Theorem, we show that this scalar function distinguishes dynamical regimes via its power spectral density: for regular motion it converges to a delta function, whereas for chaotic trajectories the spectrum exhibits an inverse power-law $$(1/\omega)$$ driven by the phenomenon of dynamical stickiness. With this approach, we avoid the computation and simulation of the variational equations and the usage of neighboring orbits, making it the simplest geometrical chaos indicator derivable from Lagrangian descriptors. Its computational efficiency enables the study of high-dimensional systems and allows the generation of large datasets of classified initial conditions, ideal for training Machine Learning models. We validate these findings using the H\'enon-Heiles and the Fermi-Pasta-Ulam systems. By linking the geometrical properties of phase space to spectral analysis, this work provides the mathematical justification to establish Lagrangian descriptors as a rigorous, self-sufficient framework for the global analysis of chaos and regularity in Hamiltonian systems.