“Il battito d’ali di una farfalla in Brasile può provocare un tornado in Texas?”
— Edward N. Lorenz, titolo della conferenza all’American Association for the Advancement of
Science, 1972
____________________________________________________________________________________
Tutta la fisica che abbiamo costruito nei capitoli precedenti si fonda su una scommessa filosofica precisa: per capire un sistema basta capire le sue parti, poi sommare. Conosciamo la legge di Newton per una sola particella, e di lì otteniamo il moto di tutte le particelle prese una alla volta; conosciamo i campi prodotti da una singola carica e sovrapponiamo. Questo programma — chiamato riduzionismo — ha portato a successi straordinari: dalla previsione delle orbite planetarie all’esistenza del bosone di Higgs.
Ma quando si studiano sistemi composti da moltissime parti interagenti, qualcosa cambia. Una molecola d’acqua non è “bagnata” né “ribolle”; una formica isolata non costruisce formicai; un singolo neurone non ricorda né progetta. La bagnatura, il formicaio, la memoria sono proprietà collettive che emergono dall’interazione di un grande numero di unità, e che non sono iscritte nelle proprietà delle singole unità.
Negli ultimi decenni la fisica ha sviluppato un linguaggio per trattare tali fenomeni: il linguaggio dei sistemi complessi. In questo capitolo metteremo un piede in questo territorio, vedendo due idee chiave: l’auto-organizzazione (strutture macroscopiche che si formano da regole microscopiche, senza un progettista) e il caos deterministico (impredicibilità a lungo termine in sistemi rigorosamente regolati da leggi). Sono concetti che hanno ricadute in meteorologia, biologia, ecologia, neuroscienze, economia.
Attenzione!
Sulla natura di questo capitolo Diversamente dai capitoli precedenti, qui le “formule” giocano un ruolo minore: i sistemi complessi si descrivono spesso a parole, con simulazioni o con concetti qualitativi. Le poche equazioni che incontreremo sono spesso adimensionali, perché le variabili (\(x_n\) in una mappa iterata, \(\theta _1\) e \(\theta _2\) in un pendolo doppio, \(x\), \(y\), \(z\) in Lorenz) non rappresentano grandezze fisiche specifiche ma quantità riscalate. Quando questo accade, la riga “unità SI” viene omessa o sostituita da una nota analoga.
Si parla di auto-organizzazione quando, a partire da regole puramente locali fra le componenti di un sistema — senza che un “capo” coordini il tutto — emerge una struttura globale ordinata o un comportamento coerente.
Definizione 24.1 — Auto-organizzazione (idea informale)
Auto-organizzazione (idea informale) Un sistema si dice auto-organizzato quando manifesta una struttura o un comportamento collettivo coerente che è il risultato delle sole interazioni locali fra le sue componenti, senza controllo esterno o regolatore centrale, e senza che la struttura finale sia codificata nelle componenti prese singolarmente.
Alcuni esempi paradigmatici:
Una caratteristica comune a tutti questi sistemi è di trovarsi lontano dall’equilibrio termodinamico: c’è un flusso continuo di energia (la motivazione di mangiare, il sole che scalda il terreno e l’atmosfera, l’energia chimica dei motori) che attraversa il sistema. L’auto-organizzazione, in questo senso, ha un costo energetico: non viola il secondo principio della termodinamica (l’entropia totale, contando anche l’ambiente, aumenta), ma localmente crea ordine.
Ilya Prigogine, premio Nobel per la chimica nel 1977, ha chiamato strutture dissipative quelle configurazioni ordinate che si sostengono soltanto grazie a un flusso continuo di energia o materia attraverso il sistema. Le strutture dissipative sono fondamentalmente diverse dalle strutture di equilibrio (per esempio un cristallo): se si toglie il flusso di energia, esse svaniscono.
Tre esempi classici:
Definizione 24.2 — Fenomeno emergente
Fenomeno emergente Una proprietà o un comportamento di un sistema si dice emergente se è una caratteristica del sistema considerato nel suo insieme, non riducibile in modo immediato alle proprietà delle sue componenti prese singolarmente.
Esempi a vari livelli di scala:
Nel 1972 Philip Anderson, premio Nobel per la fisica, pubblicò su Science un breve saggio intitolato “More is different” (“Più è diverso”), in cui osservava che a ogni nuovo livello di organizzazione emergono leggi qualitativamente nuove, che non sono semplicemente la somma o l’estensione di quelle del livello inferiore. Il riduzionismo — “per capire l’acqua, basta capire una sua molecola” — è insufficiente: ogni livello di descrizione ha la sua autonomia concettuale.
Questa osservazione apre uno spazio teorico per la fisica dei sistemi complessi come disciplina indipendente, accanto alla fisica delle particelle e alla fisica classica.
Un sistema fisico deterministico è un sistema in cui, note le equazioni e le condizioni iniziali, l’evoluzione futura è univocamente determinata. La meccanica newtoniana è esemplare in questo senso: noti posizione e velocità di un corpo all’istante \(t_0\), e nota la forza, il moto a tutti i tempi successivi è determinato.
Per moltissimi sistemi però è verificata una proprietà sorprendente, detta sensibilità alle condizioni iniziali: piccolissime differenze nelle condizioni di partenza producono, dopo un tempo abbastanza lungo, traiettorie radicalmente diverse. Lo scarto fra due traiettorie inizialmente vicine cresce esponenzialmente:
Adimensionale (in coordinate riscalate); il parametro \(\lambda > 0\) è detto esponente di Lyapunov.
Per \(\lambda > 0\) il sistema si dice caotico. La parola può trarre in inganno: i sistemi caotici sono perfettamente deterministici, e tuttavia previsioni a lungo termine sono impossibili in pratica. Per capire quanto a lungo, immaginiamo di misurare le condizioni iniziali con precisione \(\Delta x(0) = 1\times 10^{-6}\); se \(\lambda = 1\,{/ \mathrm{s} }\) basta un intervallo \(t \approx 14\,{\mathrm{s} }\) perché lo scarto raggiunga \(1\) (cioè cresca di un fattore \(e6\)). Aumentare la precisione iniziale di un fattore \(10\) guadagna solo \(\ln 10 \approx 2.3\) unità di tempo: la dipendenza dalla precisione è logaritmica.
Le traiettorie di un sistema caotico, pur essendo deterministiche e imprevedibili, hanno una struttura geometrica nello spazio delle fasi: si distribuiscono attorno a un insieme detto attrattore strano, che è un oggetto frattale (di dimensione non intera). Caos non significa quindi totale disordine, ma ordine complesso che non si lascia ridurre a una formula chiusa.
Attenzione!
Caos non è casualità Un sistema caotico è ben distinto da un sistema casuale: le sue equazioni sono completamente deterministiche, prive di “rumore”. La casualità apparente nasce dall’amplificazione esponenziale di incertezze minime sulle condizioni iniziali. Casualità e caos si distinguono guardando le statistiche delle traiettorie e la loro struttura frattale.
Pendolo doppio. Un pendolo semplice (capitolo 11) è regolare: oscilla in modo periodico, isocrono, prevedibile. Basta però appendere un secondo pendolo al primo (figura 24.2) perché il sistema, pur descritto da equazioni deterministiche, diventi caotico per ampiezze non piccole. I due angoli \(\theta _1, \theta _2\) evolvono in modo tale che traiettorie partite da configurazioni iniziali quasi identiche divergono dopo pochi secondi.
Atmosfera e modello di Lorenz. Nel 1963, lo studio di un modello semplificato della convezione atmosferica condusse Edward Lorenz a tre equazioni differenziali ordinarie (le equazioni di Lorenz):
con parametri di controllo \(\sigma \), \(\rho \), \(\beta \) (tipicamente \(\sigma = 10\), \(\rho = 28\), \(\beta = 8/3\)). Le tre variabili \(x\), \(y\), \(z\) (adimensionali, riscalate rispetto alle quantità fisiche convettive originali) descrivono lo stato istantaneo della convezione. Per i parametri standard, le soluzioni si avvolgono in modo erratico attorno a un attrattore strano dalla forma a doppia spira (il famoso “attrattore di Lorenz” a forma di farfalla). Lorenz osservò che riavviando il calcolo con condizioni iniziali approssimate al sesto decimale invece che al nono, la soluzione, identica per un po’, divergeva drammaticamente in tempi del modello equivalenti a poche settimane atmosferiche. Da qui l’aforisma sulla farfalla, e l’idea che la previsione meteorologica a lungo termine è intrinsecamente limitata.
Ecosistemi: preda-predatore. Il modello di Lotka-Volterra descrive la dinamica di una popolazione di prede (\(x\), ad es. lepri) e di predatori (\(y\), ad es. linci):
Senza predatori, le prede crescono esponenzialmente (\(\alpha x\)); senza prede, i predatori si estinguono (\(-\gamma y\)); l’interazione (\(\pm \beta xy, \delta xy\)) regola le due popolazioni. Il sistema ammette soluzioni oscillanti (“cicli predatore-preda”), come quelle effettivamente osservate nei dati storici delle compagnie pellicciere canadesi sulle linci e le lepri. Aggiungendo termini di competizione fra prede, o stagionalità, il sistema può divenire caotico.
Mappa logistica e modello di Hénon. Anche in tempo discreto compaiono comportamenti caotici. La mappa logistica
con \(r\) parametro positivo, esibisce, al variare di \(r\) da \(0\) a \(4\), una sequenza spettacolare di comportamenti: punto fisso stabile, oscillazioni di periodo \(2\), periodo \(4\), \(8\), …, fino a una “cascata di raddoppi di periodo” che culmina, intorno a \(r \approx 3.5699\), nel caos. La mappa di Hénon, \(x_{n+1} = 1 - a\,x_n^2 + y_n,\, y_{n+1} = b\,x_n\), è un altro modello classico di caos discreto, con il suo elegante attrattore frattale.
Esempio 24.1
Divergenza esponenziale e orizzonte di prevedibilità Supponiamo che l’esponente di Lyapunov di un sistema caotico valga \(\lambda = 0.5\,{/ \mathrm{s} }\). Conosciamo le condizioni iniziali con un’incertezza relativa \(\Delta x_0 = 1\times 10^{-6}\). Dopo quanto tempo l’incertezza sulla traiettoria predetta diventa dell’ordine dell’unità (cioè la previsione perde di senso)?
Impostazione.
Imponiamo \(\Delta x(t) \approx 1\):
Sostituzione numerica.
Notiamo che, raffinando di un fattore \(1000\) la precisione iniziale (cioè \(\Delta x_0 = 1\times 10^{-9}\)), il guadagno è \(t' = (1/\lambda )\ln (1\times 10^{9}) \approx 41.4\,{\mathrm{s} }\): solo \(14\,{\mathrm{s} }\) in più. Il prezzo per spingere in avanti l’orizzonte di prevedibilità cresce logaritmicamente con la precisione iniziale.
Esempio 24.2
Iterazioni della mappa logistica Consideriamo la mappa \(x_{n+1} = r\,x_n(1-x_n)\) con \(r = 3.2\) e condizione iniziale \(x_0 = 0.4\).
Calcolo a mano dei primi termini.
La sequenza non converge a un punto fisso: oscilla fra due valori (\(\approx 0.55\) e \(\approx 0.79\)). È il regime di periodo 2. Per \(r\) poco più grande il regime diventa di periodo \(4\), poi \(8\), e così via, fino a entrare nel caos per \(r \gtrsim 3.57\).
Esempio 24.3
Stima del numero di iterazioni prima della divergenza Due simulazioni della stessa mappa caotica partono da \(x_0\) e \(x_0 + \varepsilon \) con \(\varepsilon = 10^{-9}\). L’esponente di Lyapunov medio è \(\lambda \approx \ln 2 \approx 0.69\) per iterazione (caso tipico). Dopo quante iterazioni la differenza diventa dell’ordine dell’unità?
Calcolo. \(\varepsilon \,e^{\lambda n} \approx 1\) \(\Longrightarrow \) \(n \approx \ln (1/\varepsilon )/\lambda = \ln (10^9)/\ln 2 \approx 9 \cdot 2.303/0.693 \approx 30\) iterazioni.
Esercizio 24.1
Riepilogo
Riduzionismo vs emergenza — Il riduzionismo è il programma che spiega le proprietà di un sistema a partire dalle sue componenti. L’emergenza è il fatto, complementare, che a ogni livello di organizzazione compaiono proprietà nuove non immediatamente riducibili a quelle del livello inferiore (P. W. Anderson, “More is different”, 1972). I due punti di vista non si escludono ma si integrano.
Auto-organizzazione — Comportamento collettivo coerente prodotto da regole locali fra le componenti, senza controllo centrale e senza che la configurazione finale sia codificata nelle componenti. Esempi: stormi (modello boids di Reynolds), banchi di pesci, formicai, onde di traffico, dune, increspature. Tipicamente richiede sistemi lontani dall’equilibrio (flusso di energia attraverso il sistema).
Strutture dissipative (Prigogine) — Configurazioni ordinate mantenute da un flusso continuo di energia o materia. Si distinguono dalle strutture di equilibrio (cristalli) perché spariscono se si interrompe il flusso. Esempi: celle di Bénard, reazione di Belousov-Zhabotinsky, circolazione atmosferica, fenomeni biologici.
Fenomeno emergente — Proprietà del sistema considerato nel suo insieme, non attribuibile a una singola componente. Esempi: temperatura, pressione, magnetismo, bagnatura, vita, coscienza.
Caos deterministico — Comportamento estremamente sensibile alle condizioni iniziali in sistemi descritti da equazioni deterministiche. Differenze fra traiettorie crescono esponenzialmente: \(|\Delta x(t)| \sim |\Delta x(0)|\,e^{\lambda t}\), con esponente di Lyapunov \(\lambda > 0\). L’orizzonte di prevedibilità cresce solo logaritmicamente con la precisione iniziale. Caos \(\neq \) casualità.
Attrattore strano — Insieme nello spazio delle fasi a cui le traiettorie di un sistema caotico tendono a lungo termine. Tipicamente ha struttura frattale (dimensione non intera).
Esempi paradigmatici di caos — Pendolo doppio (oscillazioni non lineari accoppiate); equazioni di Lorenz (modello semplificato di convezione atmosferica, attrattore a farfalla); modelli preda-predatore (Lotka-Volterra con estensioni); mappa logistica \(x_{n+1} = r\,x_n(1-x_n)\) con cascate di biforcazioni; mappa di Hénon.
Conseguenze pratiche — Limite intrinseco della previsione meteorologica (la “farfalla” di Lorenz), modelli matematici di ecosistemi e mercati finanziari, comprensione delle transizioni di fase lontano dall’equilibrio, fondamenti teorici per la neuroscienza, la biologia dei sistemi, l’epidemiologia.
Presentazioni— slide NotebookLM (clic per aprire il PDF)
![[Picture]](immagini_fisica/libro_fisica_a_capitoli744x.svg)
![[Picture]](immagini_fisica/libro_fisica_a_capitoli747x.svg)
