Caos, fractales y renormalización

Traducción automática del original en inglés, todavía sin revisar. Leer el original.

El ensayo anterior armó la imagen local. Las reglas repetidas pueden converger a puntos fijos, y los puntos fijos pueden organizar las trayectorias cercanas en atractores. Pero el verdadero tema de esta serie no es solo la convergencia. Es lo que pasa cuando la convergencia empieza a fallar.

El mapa logístico ofrece el camino más limpio hacia esa falla:

$$x_{n+1}=r x_n(1-x_n).$$

Con valores chicos del parámetro, el mapa se estabiliza. Si aumentás el parámetro, el punto fijo atractor pierde estabilidad. El sistema no se vuelve aleatorio de inmediato. Primero se vuelve periódico. Después el período se duplica. Después se duplica otra vez. El camino al caos empieza como una sucesión de atractores rotos.

Este ensayo sigue ese camino desde la bifurcación hasta el caos, y después desde el caos hasta la geometría. La sorpresa principal es que los fractales no son dibujos decorativos que se le pegan al caos a posteriori. Son objetos invariantes producidos por estirar, plegar, borrar, reescalar y volver, una y otra vez.

#El vocabulario mínimo

Un parámetro es un número dentro de la regla que cambia la regla sin cambiar la variable de estado. En el mapa logístico:

$$x_{n+1}=r x_n(1-x_n),$$

$x_n$ es el estado y $r$ es el parámetro. Cambiar $x_n$ significa moverse dentro del sistema. Cambiar $r$ significa cambiar el sistema mismo.

Una bifurcación es un cambio cualitativo en el comportamiento de largo plazo a medida que cambia un parámetro. La ecuación puede seguir teniendo sentido, y el viejo punto fijo puede seguir existiendo algebraicamente, pero su estabilidad puede cambiar. Por eso hay que separar existencia y estabilidad.

Caos significa impredecibilidad determinista. La regla no tiene ningún término aleatorio, pero los puntos de partida cercanos se separan exponencialmente. La analogía de álgebra lineal es un autovalor mayor que uno: una componente chica en una dirección que se expande termina amplificada. En un sistema caótico no lineal, la expansión y el plegado coexisten.

Un fractal es un conjunto con estructura a través de las escalas. Muchas veces su dimensión no es un número entero. La palabra no debería significar “dibujo complicado”. Lo importante es la estructura de escala: al hacer zoom aparece detalle nuevo en vez de una recta tangente suave.

Renormalización (renormalization) significa cambiar de escala y preguntarse qué sigue igual. En vez de estudiar una órbita, estudiás una transformación sobre sistemas enteros. Un punto fijo de renormalización es un objeto que conserva la misma forma después de un promediado de grano grueso (coarse-graining) o de un reescalado.

#Las bifurcaciones caen en cascada hacia el caos

Seguí aumentando el parámetro.

El mapa logístico no salta directo del orden al desorden total. Recorre una cascada muy específica:

$$1,2,4,8,16,\ldots$$

El período se duplica. Después se duplica otra vez. Y otra vez. Los intervalos del parámetro entre duplicaciones se achican según una razón universal:

$$\delta \approx 4.669201609\ldots$$

Esta es la constante de Feigenbaum.

La duplicación de período (period-doubling) no es la única ruta al caos. Es la que usa este ensayo porque da la historia de punto fijo más limpia en el espacio de funciones.

Las otras rutas clásicas son:

1. Ruta cuasiperiódica. Un sistema vive sobre un toro con dos o más frecuencias inconmensurables, y después el toro se rompe. Se la asocia con Ruelle y Takens.
2. Ruta de la intermitencia. Un sistema alterna entre fases largas y tranquilas y estallidos irregulares. Pomeau y Manneville estudiaron esta ruta; suele producir tiempos de espera distribuidos según una ley de potencia.
3. Ruta de la crisis. Un atractor caótico cambia de tamaño de golpe o desaparece cuando choca con un conjunto inestable.

Así que “las bifurcaciones crean caos” es una abreviatura. Más precisamente: cambiar parámetros puede destruir atractores simples y producir conjuntos invariantes caóticos mediante varios mecanismos. La duplicación de período es aquel en el que la ley de escala se ve más fácil.

Por caos no quiero decir “aleatorio”. Un sistema caótico es determinista, pero diferencias minúsculas en las condiciones iniciales crecen tan rápido que la predicción de largo plazo se vuelve imposible en la práctica.

La frase habitual es dependencia sensible de las condiciones iniciales. Si dos puntos de partida difieren en una cantidad minúscula $\epsilon$, después de $n$ pasos su distancia puede crecer más o menos como:

$$\epsilon e^{\lambda n}$$

para algún número positivo $\lambda$. Ese $\lambda$ es el exponente de Lyapunov. Un exponente de Lyapunov positivo significa que los puntos cercanos se separan exponencialmente.

Entonces el caos no es ausencia de regla. Es una regla aplicada tantas veces que la información sobre el estado inicial se amplifica hasta dejar de servir.

El mapa logístico lo muestra con una simpleza casi ofensiva. Para $r=4$:

$$x_{n+1}=4x_n(1-x_n).$$

Dos condiciones iniciales que coinciden en muchos decimales pueden terminar produciendo futuros que parecen no tener nada que ver. La regla es determinista. No hay término de ruido. Pero el mapa estira el intervalo y lo vuelve a plegar una y otra vez. Cada iteración revela un bit más de información sobre la condición inicial y después lo amplifica hasta convertirlo en una diferencia visible.

Hay incluso una relación exacta entre el mapa logístico totalmente caótico y el mapa tienda (tent map). Si:

$$x=\sin^2(\pi\theta),$$

entonces el mapa logístico con $r=4$ corresponde a duplicar el ángulo:

$$\theta\mapsto 2\theta \pmod 1.$$

Ese mapa es el modelo más simple de caos. Desplaza dígitos binarios. Si:

$$\theta=0.b_1b_2b_3\ldots$$

entonces:

$$2\theta \pmod 1 = 0.b_2b_3b_4\ldots$$

Cada iteración descarta el primer dígito y adelanta el siguiente. Una diferencia minúscula muy lejos en la expansión binaria termina llegando adelante. Esto es la dependencia sensible en una línea.

Por eso el caos está conectado con la información. La condición inicial contiene infinitos dígitos. La dinámica actúa como una máquina que lee esos dígitos a lo largo del tiempo. Una medición finita te da solo una cantidad finita de dígitos, así que después de suficientes iteraciones la predicción falla.

Lo impactante no es que este número aparezca en el mapa logístico. Lo impactante es que aparece en muchísimos sistemas que no tienen relación entre sí. Fluidos, circuitos electrónicos, modelos de poblaciones, reacciones químicas y mapas unidimensionales con una sola joroba pueden acercarse al caos con la misma razón.

¿Por qué?

Porque el parecido va más hondo que el espacio físico común: los sistemas se están acercando al mismo punto fijo en el espacio de funciones.

La renormalización es la operación. Reescalás el mapa alrededor de su punto crítico, lo componés consigo mismo y te preguntás qué función queda invariante bajo esa transformación. Feigenbaum encontró un punto fijo que no es de un número, sino de un operador que actúa sobre funciones.

Ese es el nacimiento de la universalidad.

El enunciado más profundo es que el descubrimiento de Feigenbaum es un punto fijo de renormalización.

Tomá un mapa unimodal, es decir, un mapa unidimensional con una sola joroba. Cerca del comienzo del caos, mirá cada segundo iterado:

$$f^2=f\circ f.$$

Después reescalá el espacio para que la imagen vuelva a entrar en el mismo marco. Esto define un operador de renormalización sobre mapas:

$$\mathcal{R}(f)(x)= -\alpha f(f(-x/\alpha)),$$

donde $\alpha$ es el factor de escala espacial. La convención exacta varía, pero la idea no: componé el mapa consigo mismo, volvé a hacer zoom y preguntate qué forma queda.

Es la misma idea que mirar una costa desde más lejos y después reescalar la imagen para compararla con la original. El operador de renormalización dice:

1. comprimí muchos pasos chicos en un paso más grande,
2. reescalá las coordenadas,
3. compará la regla nueva con la vieja.

Universalidad significa que existe una función $g$ que cumple:

$$\mathcal{R}(g)=g.$$

Eso no es un punto fijo del sistema dinámico original. Es un punto fijo de un operador que actúa sobre sistemas dinámicos. La $\delta$ de Feigenbaum es el autovalor expansivo de la linealización de $\mathcal{R}$ alrededor de $g$. Más concretamente, si $r_n$ es el valor del parámetro donde aparece por primera vez el período $2^n$, entonces:

$$\delta=\lim_{n\to\infty}\frac{r_{n-1}-r_{n-2}}{r_n-r_{n-1}}.$$

La constante es universal porque el mismo punto fijo de renormalización controla la aproximación al caos en toda una clase de mapas. Los detalles se borran. El punto fijo del operador queda.

Este es el primer momento en que el ensayo debería hacer que el lector se detenga. Empezamos con $x=f(x)$. Ahora el objeto que cumple la ecuación de punto fijo no es un número. Es una función. La transformación actúa sobre un espacio de reglas.

El mapa logístico es la imagen concreta detrás de esa frase abstracta. Su diagrama de bifurcación contiene copias más chicas de sí mismo. Entre las regiones caóticas hay ventanas periódicas. Dentro de esas ventanas, la duplicación de período vuelve a empezar. La misma ruta se repite a escalas más chicas.

Así que el mapa logístico conecta tres niveles a la vez:

1. nivel de estado: los puntos se mueven según $x_{n+1}=rx_n(1-x_n)$,
2. nivel de órbita: los puntos fijos se vuelven ciclos y los ciclos se duplican,
3. nivel de regla: toda la familia de mapas se acerca a un punto fijo de renormalización.

La fractalidad entra porque el tercer nivel realimenta al segundo. La ramificación repetida de los atractores está gobernada por una ley de escala autosimilar. Hacé zoom en el diagrama y no obtenés suavidad. Obtenés más estructura.

#Simulación: razones de Feigenbaum

Abrí esta simulación en Explorar →

Ubicá numéricamente los primeros parámetros de duplicación de período:

$$r_1,r_2,r_3,\ldots$$

Después calculá:

$$\frac{r_{n-1}-r_{n-2}}{r_n-r_{n-1}}.$$

Estas razones deberían acercarse a:

$$\delta\approx 4.669.$$

# Approximate known period-doubling parameters for the logistic map.
rs = np.array([
    3.0000000000,
    3.4494897428,
    3.5440903500,
    3.5644072661,
    3.5687594000,
    3.5696916090,
])

ratios = []
for n in range(2, len(rs)):
    ratios.append((rs[n - 1] - rs[n - 2]) / (rs[n] - rs[n - 1]))

print(ratios)

Lo que el lector debería ver: la cascada no es arbitraria. Sus intervalos se achican a un ritmo universal. El punto fijo se mudó del espacio de estados al espacio de funciones.

La cuarta lección:

El caos puede aparecer cuando las bifurcaciones se acumulan alrededor de un punto fijo en el espacio de funciones.

El puente de la bifurcación al caos es la acumulación.

Una bifurcación es un cambio estructural. Una cascada de bifurcaciones es una máquina de producir distinciones arbitrariamente finas en el comportamiento de largo plazo. Con período uno, el sistema no recuerda casi nada. Con período dos, tiene dos fases. Con período cuatro, cuatro fases. Después de muchas duplicaciones, la cantidad de fases distinguibles se vuelve demasiado grande para que una observación finita la resuelva.

Esto importa porque al caos se lo suele describir en términos psicológicos como “desorden”. La ruta de Feigenbaum muestra lo contrario. El caos no es una falla del determinismo. Es determinismo iterado a través de una jerarquía de distinciones cada vez más finas.

Acá hay un segundo puente: el objeto de estudio sube un nivel.

Al principio estudiábamos puntos:

$$x\mapsto f(x).$$

Después estudiamos atractores hechos de órbitas.

Ahora Feigenbaum nos pide estudiar los mapas mismos:

$$f\mapsto \mathcal{R}(f).$$

Es un movimiento categórico en espíritu, incluso antes de que la teoría de categorías entre explícitamente. Tomamos la regla que antes actuaba sobre puntos y convertimos a las reglas mismas en puntos de un espacio más grande. El punto fijo ya no es un número. Es una forma universal de una función bajo renormalización.

Cuando los intervalos entre cambios estructurales se achican geométricamente, no hay un último régimen simple. El orden no desaparece porque se abandone la regla. El orden se disuelve porque la regla crea recursivamente más y más estructura de la que una medición finita puede seguir.

#El caos deja fractales detrás

Los sistemas caóticos estiran y pliegan.

Estirar.

Plegar.

Estirar.

Plegar.

Como amasar.

Estirar separa puntos cercanos. Plegar mantiene acotado al sistema. Hacé las dos cosas para siempre y una región suave se convierte en un objeto con infinitas capas.

Por eso los atractores extraños son fractales. El atractor de Lorenz es la geometría que dejan atrás el estiramiento y el plegado repetidos, no una forma decorativa de mariposa. Puntos que arrancan juntos se separan, dan la vuelta, vuelven a plegarse y se separan otra vez.

Como este ensayo usa sobre todo mapas de tiempo discreto, el mapa de Hénon es un ejemplo todavía mejor de atractor extraño:

$$x_{n+1}=1-a x_n^2+y_n,$$

$$y_{n+1}=b x_n.$$

Con los parámetros clásicos $a=1.4$ y $b=0.3$, la órbita se asienta sobre un conjunto delgado y plegado en el plano. No es una curva y no es un área. Es un atractor extraño producido por estiramiento, plegado y contracción repetidos.

Un fractal es un objeto cuyo detalle no desaparece cuando hacés zoom. Una curva suave se vuelve más simple a escalas chicas. Un fractal sigue produciendo estructura. La palabra se usa mucho mal, pero la idea básica es simple: el objeto tiene estructura significativa a lo largo de muchas escalas.

Gráficamente, el fractal más simple es el conjunto de Cantor. Arrancá con el intervalo $[0,1]$. Sacale el tercio del medio. Después sacale el tercio del medio a cada intervalo que queda. Después repetí para siempre.

#Simulación: construcción de Cantor

Abrí esta simulación en Explorar →

Una forma de medir esto es la dimensión. Una recta tiene dimensión 1. Un cuadrado lleno tiene dimensión 2. Algunos fractales viven en el medio. El conjunto de Cantor, por ejemplo, tiene dimensión:

$$\frac{\log 2}{\log 3}.$$

¿Por qué? En cada etapa se convierte en dos copias de sí mismo, cada una escalada por un factor de $1/3$. Si la dimensión $D$ significa “la masa escala como la longitud a la $D$”, entonces:

$$2\left(\frac{1}{3}\right)^D=1,$$

así que:

$$D=\frac{\log 2}{\log 3}.$$

Acá está la conexión más profunda con Banach.

El conjunto de Cantor es un punto fijo de un operador de contracción que actúa sobre conjuntos, no solo el producto de un truco de dibujo recursivo.

Definí dos contracciones:

$$S_0(x)=\frac{x}{3},\qquad S_1(x)=\frac{x+2}{3}.$$

Dado un conjunto compacto $K$, es decir, cerrado y acotado, definí el operador de Hutchinson:

$$\mathcal{H}(K)=S_0(K)\cup S_1(K).$$

Leelo así: tomá el conjunto entero, hacé dos copias achicadas y uní esas copias. La entrada es una forma; la salida es la próxima aproximación a la forma.

El conjunto de Cantor $C$ cumple:

$$C=\mathcal{H}(C).$$

Eso es una ecuación de punto fijo. La diferencia es que el objeto ya no es un número. Es un conjunto compacto.

Al espacio de conjuntos compactos se le puede dar una distancia llamada métrica de Hausdorff. Mide qué tan lejos están dos formas entre sí preguntando cuánto hay que engrosar una forma antes de que cubra a la otra, y viceversa. Con esa métrica, $\mathcal{H}$ es una contracción. Así que el teorema de punto fijo de Banach vuelve a aplicarse:

la contracción repetida produce un único punto fijo.

Este es el puente más limpio posible entre el comienzo del ensayo y los fractales. El conjunto de Cantor, el triángulo de Sierpiński y el helecho de Barnsley son puntos fijos de contracciones sobre espacios de conjuntos. Muchos de ellos son literalmente puntos fijos de Banach en un espacio más rico, no simples parientes estéticos de uno.

#Por qué la rugosidad es genérica

Una objeción natural: si los fractales son solo puntos fijos de Banach, ¿por qué esos puntos fijos son rugosos y no suaves? Nada en la contracción suena dentado, y los puntos fijos del primer ensayo eran mansos.

La respuesta es una comparación de requisitos. Un conjunto invariante suave le exige mucho a un mapa. El conjunto tiene que mapearse en sí mismo, y el mapa tiene que respetar la estructura diferenciable del conjunto, llevando direcciones tangentes a direcciones tangentes en cada punto. Esa es una condición de compatibilidad fuerte entre la dinámica y la geometría. Un conjunto invariante fractal pide mucho menos: contracción, copia, plegado, división e invariancia. Ninguna estructura tangente tiene que sobrevivir.

La ecuación de dimensión vuelve concreta la comparación, porque el punto fijo de Hutchinson no es automáticamente fractal, y las excepciones son las que explican la regla. Los dos mapas $x/2$ y $x/2+1/2$ tienen como punto fijo todo el intervalo $[0,1]$. Cuatro mapas de esquina con razón de contracción $r=1/2$ llenan un cuadrado sólido. Las respuestas suaves aparecen exactamente cuando las copias escaladas embaldosan perfecto, sin huecos y sin superposiciones. En la ecuación de dimensión con razones iguales $N r^D=1$, ese embaldosado perfecto es la coincidencia aritmética que hace que $D=\log N/\log(1/r)$ dé un entero: dos copias con razón $1/2$, cuatro copias con razón $1/2$. La fórmula da la dimensión de Hausdorff cuando las copias no se superponen demasiado, precisamente cuando cumplen la condición del conjunto abierto; si las piezas se superponen mucho, la cuenta simple puede fallar. Casi cualquier elección sin superposición de $N$ y $r$ da un no entero. El número $D$ es la dimensión de similitud: te dice cómo cambia la cantidad de detalle cuando hacés zoom. Cuando $D$ no es entero, el conjunto es demasiado grande para ser una nube de puntos o una curva suave, pero demasiado fino para llenar un área común. Así que los conjuntos autosimilares rugosos no son decoraciones exóticas atornilladas a la dinámica a posteriori. Muchas veces son los puntos fijos comunes de reglas no lineales disipativas, y los casos suaves son los que necesitan explicación.

El conjunto de Mandelbrot es otro objeto de punto fijo disfrazado. Para cada número complejo $c$, iterá:

$$z_{n+1}=z_n^2+c,\qquad z_0=0.$$

La pregunta es si la órbita se mantiene acotada. El borde tiene detalle infinito porque se está haciendo la misma pregunta iterativa en todas las escalas.

El vínculo con los puntos fijos es exacto, no decorativo. La gran región con forma de corazón, la cardioide principal, es precisamente el conjunto de valores de $c$ para los que $z^2+c$ tiene un punto fijo atractor: un punto $z^\star$ con $z^\star=z^{\star 2}+c$ y multiplicador $|2z^\star|<1$. Es el mismo criterio de estabilidad $|f’(x^\star)|<1$ del mapa logístico, ahora en el plano complejo. Los brotes redondos pegados a la cardioide son los parámetros donde un ciclo atractor reemplazó al punto fijo atractor. El conjunto de Mandelbrot es un mapa de dónde $z^2+c$ tiene un punto fijo estable, después un ciclo estable de dos, después de cuatro, lo cual es otra vez duplicación de período.

El diagrama de bifurcación logístico es fractal por una razón muy parecida. Para cada valor de $r$, iterás el mismo mapa muchas veces y graficás los valores de largo plazo de $x_n$. El eje horizontal es el parámetro $r$. El eje vertical es el atractor.

Al principio el diagrama tiene una rama: un punto fijo atractor.

Después dos ramas: un atractor de período dos.

Después cuatro.

Después ocho.

Después una región caótica que parece densa.

Pero dentro de la región caótica, el orden vuelve en ventanas. Una famosa es la ventana de período tres. Dentro de esa ventana pasa otra vez la misma historia: el período tres se vuelve período seis, después doce, después veinticuatro, después caos. Hacé más zoom y reaparecen estructuras parecidas.

Detrás de esa frase se esconde un teorema famoso. Li y Yorke demostraron que “período tres implica caos” para mapas del intervalo. El teorema de Sharkovskii es todavía más fuerte: la existencia de una órbita de período tres obliga a que existan órbitas de todos los demás períodos. Así que la ventana de período tres no es solo una curiosidad en un dibujo. Es una señal de que el mapa entró en un régimen donde hay estructura periódica de todos los órdenes.

Esto no es exactamente autosimilitud como en el conjunto de Cantor ideal, donde cada copia está escalada a la perfección. Es asintótica y está organizada por constantes universales. Pero el punto filosófico es el mismo: la iteración produce estructura en muchas escalas, y la renormalización explica por qué esas escalas están relacionadas.

Por lo tanto, el mapa logístico da un camino directo desde una recurrencia de una línea hasta un objeto con aspecto fractal:

$$x_{n+1}=rx_n(1-x_n)$$

se convierte en:

1. punto fijo,
2. ciclo,
3. cascada de bifurcaciones,
4. caos,
5. diagrama de bifurcación autosimilar,
6. conjuntos invariantes fractales.

Por eso merece tanta atención. Es toda la escalera antes de que la escalera se vuelva abstracta.

El mecanismo de estirar y plegar se puede hacer brutalmente concreto con el mapa tienda:

$$T(x)=1-2|x-\tfrac{1}{2}|.$$

Estira el intervalo unitario por un factor de dos y después lo pliega sobre sí mismo. El mapa del panadero (baker’s map) hace lo mismo en dos dimensiones: estira un cuadrado, lo corta, lo apila. Repetido para siempre, el mapa crea sensibilidad a las condiciones iniciales porque el estiramiento separa exponencialmente a los puntos cercanos.

#Simulación: estirar y plegar

Abrí esta simulación en Explorar →

Iterá el mapa tienda desde muchos puntos de partida cercanos.

import numpy as np
import matplotlib.pyplot as plt

def tent(x):
    return 1 - 2 * np.abs(x - 0.5)

xs = np.linspace(0.1, 0.1001, 50)
paths = [xs]

for _ in range(30):
    paths.append(tent(paths[-1]))

paths = np.array(paths)
plt.plot(paths, alpha=0.35)
plt.xlabel("iteration")
plt.ylabel("x")

Lo que el lector debería ver: puntos que arrancan casi indistinguiblemente cerca se separan rápido. El estiramiento crea sensibilidad; el plegado mantiene los valores dentro del intervalo; la repetición crea estructura fina.

Esa separación exponencial se mide con un exponente de Lyapunov:

$$\lambda=\lim_{n\to\infty}\frac{1}{n}\log |(f^n)’(x)|.$$

Si $\lambda>0$, las condiciones iniciales cercanas se separan en promedio. La predicción decae exponencialmente. Pero el plegado mantiene acotado el movimiento, así que el sistema no simplemente sale volando. Se queda en una región finita mientras produce todo el tiempo detalle nuevo distinguible.

Para el mapa tienda, esto es exacto. Lejos del punto de plegado, la pendiente tiene valor absoluto $2$, así que después de $n$ iterados la magnitud de la derivada es más o menos $2^n$. Por lo tanto:

$$\lambda=\lim_{n\to\infty}\frac{1}{n}\log(2^n)=\log 2.$$

El mapa logístico totalmente caótico con $r=4$ tiene el mismo exponente de Lyapunov, $\log 2$, después del cambio de variables $x=\sin^2(\pi\theta)$. Es un buen ejemplo de una definición abstracta que se convierte en un número que podés calcular de verdad.

Esa es la receta geométrica de un atractor extraño:

1. estirar para crear sensibilidad,
2. plegar para mantener la acotación,
3. repetir para generar estructura fina.

El fractal es el conjunto invariante de esa operación.

La quinta lección:

Los fractales son la geometría que dejan atrás el estiramiento y el plegado repetidos.

El puente del caos a los fractales es la inestabilidad acotada.

Si los puntos cercanos se separan y nada los vuelve a plegar, el sistema simplemente se dispersa. Si hay plegado sin estiramiento, el sistema simplemente se asienta. Un atractor extraño necesita las dos cosas: expansión para crear detalle y plegado para mantener ese detalle en una región acotada.

Por eso el caos deja geometría detrás. La dependencia sensible es un enunciado sobre trayectorias. Un atractor fractal es la huella espacial de esa sensibilidad después de infinitas rondas de estiramiento y plegado. La dinámica dice:

$$\text{nearby states separate}.$$

La geometría dice:

$$\text{the invariant set has structure at every scale}.$$

Son dos miradas sobre el mismo proceso. La primera sigue a los puntos a través del tiempo. La segunda mira el conjunto que sobrevive después de que el proceso actuó para siempre.

Por eso los atractores caóticos suelen tener dimensión no entera. No son curvas, porque el estiramiento multiplicó su detalle interno. No son áreas, porque el plegado y la disipación los mantienen más finos que una región llena. Un fractal es lo que queda cuando la inestabilidad queda atrapada.

#Por qué los fractales son lo normal

Hay una pregunta escondida debajo de todo este ensayo: ¿por qué la naturaleza sigue produciendo estos objetos? Deltas de ríos como el de la imagen de este ensayo, pulmones, costas, cordilleras, gráficos de precios. La respuesta estándar es que el crecimiento repite la misma regla a distintas escalas. Eso es cierto y no explica nada, porque reformula la observación. La mejor pregunta es por qué las reglas repetidas dejan detrás conjuntos autosimilares en vez de suaves.

Empecemos por lo que realmente es la autosimilitud. Si $K=\mathcal{H}(K)$, entonces $K$ contiene copias escaladas de sí mismo, y esas copias contienen copias escaladas, sin fin. Acá $\mathcal{H}$ es la regla sobre conjuntos de antes: tomá una forma, achicala, copiala y juntá las copias. Hacer zoom revela la misma estructura porque la ecuación dice que tiene que ser así. La regresión infinita no es un adorno de la respuesta. Es el contenido de la ecuación de punto fijo, leída geométricamente.

La dinámica es la que aporta las contracciones, y acá vuelve la receta del ensayo. La disipación sola colapsa todo a un punto; es contracción sin nada que se le oponga. El caos acotado necesita estirar más plegar, y estirar y plegar aplicado para siempre es la imagen de Hutchinson dibujada por la dinámica misma: el atractor extraño es el conjunto que el amasado deja invariante. En la dinámica compleja esto se vuelve preciso. Para mapas racionales de grado al menos dos, mapas del plano complejo construidos con cocientes de polinomios, con $z\mapsto z^2+c$ como familia estándar, la frontera entre puntos de partida con distintos destinos de largo plazo es el conjunto de Julia, y salvo familias excepcionales ya clasificadas es fractal: círculos, intervalos de Chebyshev y ejemplos de tipo Lattès son los casos donde la rugosidad no está o es inusualmente regular. El círculo unitario, que $z\mapsto z^2$ deja invariante, es la excepción de juguete más limpia. En sistemas reales el enunciado es una tendencia fuerte más que una ley: un flujo de gradiente de doble pozo, una bola que rueda con fricción sobre un paisaje con dos valles, tiene dos atractores, el fondo de cada valle, separados por una frontera de cuenca perfectamente suave, la línea de la cresta. La frontera se vuelve fractal cuando adentro vive una silla caótica (chaotic saddle), un conjunto invariante inestable sobre el que la dinámica es ella misma caótica, una maraña que mezcla hacia qué lado va a caer un punto de partida cercano. Los sistemas no lineales forzados arman eso con facilidad. Así que la lección no es que toda frontera entre cuencas sea fractal. Es más estrecha y más fuerte: una vez que coexisten expansión, plegado y varios destinos de largo plazo, las superficies de separación suaves son frágiles, y las fronteras fractales son el resultado natural.

Por eso la misma geometría se repite en toda la naturaleza. Una regla de ramificación, que se divide en $N$ copias con razón $r$, es un sistema de funciones iteradas por construcción, y los pulmones y los árboles la ejecutan porque su punto fijo mete una enorme superficie de intercambio en un volumen acotado. El terreno que se erosiona y los copos de nieve que crecen toman forma según las tasas de sus procesos, igual que $N$ y $r$ fijan $D$, y por eso las dimensiones medidas de terrenos caen entre 2 y 3 y no en ninguno de los dos. Los registros de precios son autoafines en el tiempo, lo que significa que los ejes vertical y horizontal se reescalan distinto pero la rugosidad sigue sin tener una escala característica; Mandelbrot lo vio en los precios del algodón en 1963, y el próximo ensayo sigue ese hilo hacia las leyes de potencia. La red cósmica parece fractal en un rango finito de escalas y se suaviza en las más grandes. Cada uno de estos casos es aproximado y de rango finito, como todo escalamiento empírico en esta serie. Ninguno necesita un diseñador del detalle. Cada uno necesita solo una regla con expansión y contracción, aplicada otra vez.

Conviene trazar un límite mientras la imagen está fresca. Esto sigue siendo el motor de la iteración, no la autorreferencia en el sentido lógico. Un fractal se repite porque una regla geométrica se itera sobre conjuntos. Una oración de Gödel, varios ensayos más adelante, se refiere a sí misma porque un sistema formal puede codificar su propia sintaxis. Son mecanismos distintos. Lo que comparten es la forma del punto fijo: un objeto pasa por una transformación y vuelve como sí mismo, posiblemente un nivel más arriba. Los ensayos siguientes usan la misma forma abstracta para la sintaxis, los programas, los tipos, la vida y los mercados, y no hay que fundir los dos motores en uno.

Así que la conclusión corre al revés de la intuición. Los fractales no son el caso exótico; la geometría suave lo es. Iterá una regla no lineal con direcciones que expanden y que contraen, la situación habitual de un sistema dinámico interesante, y la estructura en todas las escalas es el resultado por defecto. La verdadera pregunta nunca fue por qué los fractales están en todos lados. Es por qué esperábamos que la suavidad, el caso ajustado con precisión, fuera la norma.

El resumen invariante de este ensayo es:

$$ \text{stretch}+\text{fold}+\text{repeat}\Rightarrow\text{fractal invariant set}. $$

En el nivel de Feigenbaum, el punto fijo ya no es un punto en el espacio de estados. Es una función que un operador de renormalización deja sin cambios:

$$ \mathcal{R}(g)=g. $$

En el nivel fractal, el punto fijo puede ser un conjunto que un operador de sistema de funciones iteradas deja sin cambios:

$$ \mathcal{H}(K)=K. $$

El punto subió un nivel. El próximo ensayo lo vuelve a subir: de conjuntos invariantes a leyes de escala invariantes y colas de probabilidad.

#Lecturas recomendadas

1. Mitchell Feigenbaum, Quantitative universality for a class of nonlinear transformations (1978). El paper de la universalidad en la duplicación de período.
2. Tien-Yien Li y James Yorke, Period three implies chaos (1975). El paper que le dio al caos su nombre matemático moderno en la dinámica unidimensional.
3. Robert Devaney, An Introduction to Chaotic Dynamical Systems. Un camino claro por la dinámica simbólica, el caos y los fractales.
4. Michael Barnsley, Fractals Everywhere. La referencia estándar sobre sistemas de funciones iteradas y el operador de Hutchinson.
5. Edward Lorenz, Deterministic nonperiodic flow (1963). El clásico del atractor extraño en tiempo continuo.
6. David Ruelle y Floris Takens, On the nature of turbulence (1971). El paper que le puso nombre al atractor extraño.
7. Jean-Pierre Eckmann y David Ruelle, Ergodic theory of chaos and strange attractors (1985). La revisión canónica que une caos, exponentes de Lyapunov y medidas invariantes.