Lyapunov Exponent / Chaos / Prediction

Lyapunov指数は、
誤差の広がる速さを測る。

カオスでは、最初はほとんど同じに見える 2 つの状態が、時間とともに大きくずれていきます。
その「どれくらい速くズレが広がるか」を数値で表したものが Lyapunov 指数です。

ロジスティック写像で見る式の意味を見る

Lyapunov指数は誤差の広がる速さを表す
λ > 0 なら平均的にズレが指数関数的に増える
正の λ は、予測可能性が壊れやすいことを意味する

t = 0

ほとんど同じ

時間が進む

t = 後

大きく離れる

一言でいうと

どれくらい速く未来が壊れるか

Lyapunov 指数は、初期のわずかな誤差が将来どれくらい速く大きな差になるかを見る尺度です。

カオスとの関係

正ならカオスの有力サイン

平均的にズレが指数関数的に増えるなら、長期予測は急速に壊れます。

最重要

Lyapunov 指数とは、「誤差がどれだけの速さで広がるか」を表す指数です。

Core Idea

小さなズレ × 時間 → 大きな差

カオスが厄介なのは、誤差があること自体ではなく、その誤差が時間とともに指数関数的に増えることです。Lyapunov 指数はその増え方を測ります。

Intuition

まずは「ズレが広がる速さ」をイメージする

最初の差が 0.0001 のようにごく小さくても、ある系では時間がたつほど差が急速に広がります。その速さを 1 つの数にまとめたのが Lyapunov 指数です。

Start

最初のズレはとても小さい

測定誤差や初期値のわずかな違いは、最初はほとんど無視できるように見えます。

Later

時間がたつと差が大きくなる

カオス系では、その小さな違いが繰り返し増幅され、将来には全く違う軌道になります。

Measure

その増幅率を数で表す

「どれくらい速く離れるか」を平均的な指数で表したのが λ です。

Sign

λ の符号で何が分かるか

Lyapunov 指数は、正・ゼロ付近・負で意味がはっきり変わります。ここを見ると、その系が予測しやすいかどうかが直感的に分かります。

λ > 0

カオス

平均的に誤差が指数関数的に増えます。未来予測は急速に壊れやすくなります。

λ ≈ 0

境界・中間

ズレはすぐには増えも縮みもしません。規則と不規則の境目のようなふるまいです。

λ < 0

安定

ズレが縮み、近い状態は再び近づきます。長期予測も比較的保たれます。

Interactive Demo

ロジスティック写像で λ をその場で見る

ロジスティック写像 x_n+1 = r x_n (1 - x_n) を何回も回し、各点での伸び率を平均すると Lyapunov 指数を近似できます。

パラメータ r 4.00 初期値 x₀ 0.20

近似 λ 0.693

判定 カオス

1ステップ平均倍率 2.00 倍

誤差 10^-6 が 1 になる目安 約 20 ステップ

r = 4 では λ ≈ log 2 となり、誤差は平均的に 1 ステップごとに約 2 倍ずつ広がります。

λ ≈ (1 / N) Σ log |r (1 - 2x_n)|

各点で「ズレが何倍に伸びるか」を表す |f'(x)| の対数平均を取っています。

誤差の増え方イメージ

左から右へ 8 ステップ分の誤差の大きさを模式的に表示しています。

Math

式の意味は「指数関数的な広がり」

Lyapunov 指数の核心は、誤差が時間とともにどれくらいの速さで増えるかを指数関数で表すことです。

δ(t) ≈ δ(0) e^λt

δ(0) は最初のズレ、δ(t) は時間後のズレ、λ が Lyapunov 指数です。

δ(0)

最初の誤差です。測定の限界や初期値のずれを表します。

δ(t)

時間がたった後の誤差です。未来予測がどれくらい崩れたかを見ます。

λ

ズレが指数関数的に増える速さです。未来の予測可能性がどれだけ早く壊れるかを表します。

Example

ロジスティック写像での計算例

r = 4、x₀ = 0.2 のとき、Lyapunov 指数は十分大きい反復回数で λ ≈ 0.693 に近づきます。

Formula

λ ≈ log 2 ≈ 0.693

これは e^0.693 ≈ 2 を意味します。つまり、誤差は平均的に 1 ステップごとに約 2 倍です。

Prediction Horizon

予測可能時間は約 20 ステップ

初期誤差が 10^-6 なら、10^-6 e^0.693n ≈ 1 から n ≈ 20 と見積もれます。

Interpretation

未来予測の壊れやすさを数で言う

Lyapunov 指数が大きいほど、同じ初期誤差でも早く予測が壊れます。だから λ は、カオスの「読めなさ」を定量化する道具として重要です。

Chaos Link

なぜ λ > 0 がカオスの有力サインなのか

カオスの本質は「初期条件への鋭敏性」です。Lyapunov 指数が正であることは、その鋭敏性を数値で示していることに対応します。

天気予報

今日の誤差がごく小さくても、1週間後には全く違う天気予報になります。これは λ > 0 の世界の典型例です。

3体問題

少し違う初期位置・速度から出発した軌道が、長期では大きく異なるふるまいを見せることがあります。

カオスを「数で測る」

見た目が複雑というだけではなく、ズレの増幅率が正であると示せるところに Lyapunov 指数の強さがあります。

最後に一言でまとめるなら

Lyapunov 指数とは、誤差がどれだけの速さで広がるかを表し、カオスの予測不能さを数値で示す指数です。

この話がつながるページ

Lyapunov 指数は単独の話題ではなく、カオスの直感的理解と、研究全体の見方の両方につながります。

カオス現象を直感から振り返る

Lyapunov 指数が正になる意味を、初期条件鋭敏性やロジスティック写像の文脈からもう一度つかみ直せます。

カオス解説へ

そもそも研究とは何かを整理する

「問いを立て、根拠を持って答えを作る」という研究の全体像から見ると、Lyapunov 指数はモデルで世界を測る具体例として理解しやすくなります。

研究とは何かへ

Lyapunov指数は、誤差の広がる速さを測る。