カオス理論：蝶の羽ばたきがあなたの人生を本当に変える理由

Color’ processing in the butterfly visual system: Trends in Neurosciences

科学と聞いて何を思い浮かべますか？おそらく「正確な予測」でしょう。ニュートン以来、人類は宇宙のすべての法則を知れば未来を完璧に予測できると信じてきました。ラプラスという学者は、「宇宙のすべての粒子の現在の位置と速度を知れば、過去と未来をすべて計算できる」という壮大な想像をしたこともあります。

ところが20世紀後半、この完璧な時計のような宇宙観に巨大な亀裂が生じます。それは、カオス理論（Chaos Theory）の登場でした。

「カオス」とは、「混沌」という言葉の意味から、単にすべてがぐちゃぐちゃになった状態を想像するかもしれません。しかし、カオス理論の本当のメッセージは正反対です。それは、「明確な規則があるにもかかわらず予測が不可能な」現象についての話です。「決定されている」からといって、「予測できる」わけではないという、まさに革命的な考え方でした。

この理論の核心は、「バタフライ効果（butterfly effect）」という魅力的な言葉で要約されます。ブラジルの蝶の羽ばたきがテキサスにトルネードを起こすという話のように、最初のほんのわずかな違いが、後には想像もできない結果につながるという意味です。

この記事では、この神秘的で強力な「カオス理論」の世界をしっかりと探求してみようと思います。単なる数学的な好奇心を超えて、この理論が天気予報、金融市場、最新のAI技術、さらには私たちの身体や脳を理解する方法を根本的にどう変えてきたのか、その旅を一緒にたどっていきましょう。

第1部：カオス、「混沌」ではなく「隠された秩序」です

カオス理論の心臓部は数学にあります。少し硬いかもしれませんが、この骨子を知らなければ本当の面白さは感じられません。

決定論的カオスと「バタフライ効果」

「決定論的カオス」という言葉自体が矛盾のように聞こえます。「決定されている」のに、どうして「混沌」になりうるのでしょうか？

この現象を最初に発見したのは気象学者エドワード・ローレンツです。彼はコンピューターで天気をシミュレーションしていた途中、途中から計算を再開するために数値を入力しました。元の数値は0.506127でしたが、便宜上、小数点以下第4位で四捨五入して0.506としました。

結果は衝撃的でした。グラフはまったく異なる天気を示しました。このわずかな違いが、まったく異なる未来を作り出したのです。これがまさに「バタフライ効果」、専門用語では「初期条件に対する鋭敏な依存性」です。

数学者たちは、この「めちゃくちゃになる」速さを測定する道具として「リアプノフ指数（Lyapunov exponent）」を考案しました。この数値が0より大きい場合、「ああ、このシステムはカオスだ！」と言えます。この発見は、「決定されている＝予測可能である」という数百年間続いた科学の信念を打ち破りました。現実世界で初期値を小数点以下無限桁まで知ることは不可能なため、長期予測は「不可能」であることを数学的に証明したわけです。

無限の複雑さの地図：奇妙なアトラクターとフラクタル

だからといって、カオスシステムが完全に勝手気ままに宇宙の外へ飛んでいってしまうわけではありません。ローレンツのコンピューターの中の天気は複雑に動いていましたが、結局あの「蝶の形」をした限定された空間の中でしかぐるぐると回っていませんでした。

카오스 이론의 상징이 된 ‘로렌츠 끌개’. 궤적은 결코 반복되거나 겹치지 않으면서도 이 나비 모양의 공간 안에 갇혀 있습니다.

システムが最終的に引き寄せられるこの領域を「アトラクター（attractor）」と呼びます。しかし、カオスシステムのそれは、その形があまりにも奇妙で複雑なため、「奇妙なアトラクター（strange attractor）」という名前が付けられました。

さらに不思議なのは、このアトラクターを拡大し、さらに拡大しても、次々とより複雑な構造が無限に現れるという事実です。このような性質をまさに「フラクタル（fractal）」と呼びます。ブノワ・マンデルブロが確立した概念で、「部分が全体に似ている」自己相似性を持つ構造を指します。

奇妙なアトラクターは、なぜフラクタルでなければならないのでしょうか？考えてみてください。軌跡は決して互いに重なったり、繰り返されたりしてはなりません（そうでないとカオスではないため）。しかし、限定された空間に閉じ込められていなければなりません。有限の空間に無限の長さの線を押し込もうとすると、結局無限に折りたたまれたフラクタル構造になるしかないのです。フラクタルは、カオスが生み出す必然的な「模様」と言えます。

カオスを作るエンジン：伸ばして折る

では、一体なぜこのようなことが起こるのでしょうか？スティーブン・スメイルという数学者が「馬蹄形写像（horseshoe map）」という見事な比喩で説明しました。カオスを作るエンジンは、「伸縮」と「折り畳み」という2つのプロセスの無限の繰り返しです。

Horseshoe Map(Stretching, Folding, Re-insertion)

伸縮 (Stretching)：生地を一方に長く～伸ばします。（非常に小さな違いを大きく増幅させる「バタフライ効果」のプロセス）
折り畳み (Folding)：長く伸びた生地を馬蹄形に折ります。
再挿入 (Re-insertion)：これを再び元の空間に戻して…1番から無限に繰り返し！

この単純な「伸ばして折る」が、カオスを作る核心エンジンです。「伸縮」は違いを広げる力（リアプノフ指数 > 0）であり、「折り畳み」はシステムを「アトラクター」という限定された空間に留まらせる力なのです。

混沌への道は決まっている？ファイゲンバウム定数

カオスへの道はいくつかありますが、非常に有名でゾッとするような経路が一つあります。それは「周期倍化（Period Doubling）」という現象です。

元々人口増加を説明していた非常に簡単な方程式（ロジスティックマップ：$x\*{n+1} = rx\*n(1-x\_n)$）があります。ここでrの値を徐々に上げていくと、システムは最初は安定していますが（周期1）、2つの値を往復し（周期2）、次に4つ（周期4）、8つ（周期8）…このように周期が2倍に増えていきます。そしてある臨界点を超えると…パン！カオスが爆発します。

ところが、ミッチェル・ファイゲンバウムが発見したのは、周期が2倍になるその「間隔」の比率を計算してみると、常に$\\delta \\approx 4.6692...$という特定の数値に収束するという事実でした。さらに驚くべきは、これが人口モデルであれ、電子回路であれ、流体力学であれ…まったく関係のないシステムでも同じように現れることです！

これを「ファイゲンバウム定数」と呼び、このような現象を「普遍性（universality）」と言います。見た目はまったく異なる現象の中に、カオスへの道筋には同じ数学的法則が隠されていたのです。

表 1：ロジスティックマップからファイゲンバウム定数（$\\delta$）への収束

| n (周期) | 分岐発生パラメータ $a\*n$ | $a\*n - a\*{n-1}$ (間隔) | $(a\*{n-1} - a\*{n-2}) / (a\*n - a\*{n-1})$ (比率 $\\delta\*n$) |

| — | — | — | — |

| 1 (2) | 3.0 | - | - |

| 2 (4) | 3.449489… | 0.449489… | - |

| 3 (8) | 3.544090… | 0.094601… | 4.7514… |

| 4 (16) | 3.564407… | 0.020317… | 4.6562… |

| 5 (32) | 3.568759… | 0.004352… | 4.6683… |

| 6 (64) | 3.569692… | 0.000933… | 4.6691… |

| 7 (128) | 3.569891… | 0.000199… | 4.6692… |

| 注：この表は、ロジスティックマップで周期が2倍になる点を示しています。最後の列を見てください。連続する間隔の比率が驚くほど速くファイゲンバウム定数 $\\delta \\approx 4.6692$に近づいているのがわかります。 | | | |

第2部：予測の限界と新たな可能性：天気からAIまで

さて、このカオス理論が現実の「予測」問題、特に天気とAI分野をどう揺るがしているのかを見ていきましょう。

수십 개의 다른 예측 결과를 동시에 보여주는 ‘앙상블 예보’. 카오스의 불확실성을 인정하는 현대 기상학의 방식입니다.

天気予報、なぜ一つではないのか？アンサンブル予報

天気予報がなぜそれほど難しいのか、もう私たちは知っています。それは「バタフライ効果」のためです。全世界の空気分子の初期値を正確に測ることはできないからです。

そのため、現代気象学は「一つの完璧な予測」を諦めました。代わりに「アンサンブル予報（ensemble forecasting）」という方法を使います。

現在の観測値に、ごくわずかな誤差（カオス的な不確実性）を意図的に加えて、数十個の異なる初期条件で予測を同時に数十回実行するのです。

もし50個の予測がすべて「雨が降る」と言ったら？ -> 「雨が降る確率が非常に高い。」
もし25個は「雨」、25個は「晴れ」と言ったら？ -> 「予測の不確実性が非常に高い。」

このように予測の不確実性自体を予測するのです。世界最高峰の気象庁も、この「微細な誤差」の作り方（SV, BV）にそれぞれ独自の哲学を込めています。

表 2：アンサンブル予報における特異ベクトル（SV）とブレッドベクトル（BV）の比較

| 特徴 | 特異ベクトル (Singular Vectors, SV) | ブレッドベクトル (Bred Vectors, BV) |

| — | — | — |

| 主な使用機関 | ECMWF (欧州) | NCEP (米国) |

| 理論的根拠 | 短期間で最も速く成長する誤差 | システムの自然な誤差成長（リアプノフベクトル近似） |

| 計算方法 | 複雑（随伴モデルが必要） | 比較的簡単（モデル2回実行） |

| 目標 | 「その日の誤差」の捕捉（最も危険な芽） | システムの自然な不安定性の模倣 |

| 注：この表は、世界最高峰の気象庁が同じ「カオス」問題にどう異なるアプローチをとっているかを示しています。 | | |

ゲームチェンジャーの登場：AI「GraphCast」の衝撃

ところが最近、この伝統的な天気予報の枠組みを覆すゲームチェンジャーが登場しました。それが人工知能（AI）です。

Google DeepMindが開発した「GraphCast」は、物理方程式をまったく知りません。代わりに、過去40年間の天気データをすべて学習しました。「このような天気パターンの次には、あのような天気が来る」というパターン自体をまるごと覚えてしまったのです。

結果は衝撃的でした。10日間の予報精度で90%以上の項目において、スーパーコンピューターが数時間かけて計算した結果よりも正確でした。さらに、この計算は1分もかかりませんでした。AIが複雑な物理法則の代わりに、カオスシステムが生み出す「アトラクターの形」自体を統計的に学習してしまったのです。

表 3：性能比較：GraphCast（AI） vs. 伝統的NWPモデル（HRES）

| 比較項目 | GraphCast (AIベース) | HRES (NWPベース) |

| — | — | — |

| 基本原理 | データベースのパターン学習（40年分） | 物理方程式（流体力学） |

| 計算速度 | 非常に速い（10日予報 < 1分） | 非常に遅い（スーパーコンピューター数時間） |

| 主な強み | 10日予報精度（90%以上）、台風進路 | 物理的整合性、降水量強度 |

| 主な弱み | 降水量強度、物理的原理の不足 | 計算コスト、初期条件への感度 |

| 注：AIは「結果」を学習するのに優れていますが、伝統的なモデルは「理由」を知っているという強みがあります。未来には、これら二つを合わせたハイブリッドモデルが主流になるでしょう。 | | |

データと物理学の出会い：物理情報ニューラルネットワーク（PINNs）

では、物理法則はもう役に立たなくなったのでしょうか？「いや、そんなことはない！」と登場したのが「物理情報ニューラルネットワーク（Physics-Informed Neural Networks, PINNs）」です。

これはAI（ニューラルネットワーク）と物理法則を組み合わせたハイブリッドモデルです。AIにデータを学習させる際、二つ目のミッションを与えます。「データに似せるように合わせるが、物理法則（微分方程式）も破ってはならない！破ったら減点だ！」

こうすることで、データが少し不足していたり、ノイズが多かったりしても、AIは物理法則を基に隙間を賢く埋めることができます。データが「教師」で、物理学が「教科書」のようなものです。

第3部：お金の流れもカオスなのか？経済と金融市場

さて、私たちの生活に直結するお金の話です。カオス理論は、経済と金融市場を見る視点にも大きな挑戦を投げかけました。

極端に変動する金融市場。これは本当にランダムなのでしょうか、それともカオスなのでしょうか？

「効率的市場」 vs 「フラクタル市場」

伝統的な経済学の定説は「効率的市場仮説（EMH）」です。「市場は非常に効率的で、すべての情報が即座に価格に反映され、株価の動きは予測不可能な『ランダムウォーク（無作為な歩行）』である」という理論です。

しかし、カオス理論家たちは「フラクタル市場仮説（FMH）」を提唱しました。市場はランダムではなく、カオス理論が言うところの複雑な非線形システムであるという主張です。

フラクタル構造：市場価格のグラフは、1日単位でも1年単位でも、縮小・拡大してみると似た形をしています（フラクタル）。
長期記憶：市場は過去を忘れません。過去の動きが未来に影響を与えます。
安定性と多様性：市場が安定するためには、長期・短期など多様な時間軸を持つ投資家が混在している必要があります。

一言で言えば、「市場は無秩序に見えるが、その中にカオス的な秩序が隠されている」という挑発的な主張でした。

金融危機の兆候を捉える

2008年のグローバル金融危機のような巨大な市場の崩壊は、本当に「ランダム」に起こった不運なのでしょうか？カオス理論は、このような突然の崩壊を説明するのに適しているように見えます。

実際に「移動リアプノフ指数」（カオスの度合いを測る数値）で市場データを分析したところ、2000年のドットコムバブルや2008年の金融危機、2020年のコロナ19パンデミックの直前に、この不安定性指数が急上昇する現象が観測されました。

もちろん、「何月何日に暴落する」と予測することはできません。カオスですから。しかし、「今システムが非常に不安定になっており、小さな衝撃にも崩壊しうる臨界状態にある」という早期警報は発せられる可能性があることを示唆しました。

カオスの遊び場：仮想通貨市場

最近最も賑やかな市場、それが仮想通貨市場です。ここはカオス分析の遊び場と言っても過言ではありません。学者がビットコイン、イーサリアムの価格データでカオス・テストを実行した結果、ほとんどが「これは単純なランダムウォークではない」と結論付けています。

特に仮想通貨市場が「カオスの縁（edge of chaos）」にあるという分析が多く見られます。完全に秩序だった状態でも、完全にランダムな状態でもない、その危うい境界線にあるという意味です。この「縁」は、システムが最も複雑で、情報処理を最も活発に行い、小さな衝撃に最も敏感に反応する状態を意味します。

鋭い批判：「それはカオスではないかもしれない」

もちろん、反論も少なくありません。最も強力な批判はこれです。「あなたたちが『カオス』と呼んでいるものが、本当に数学的なカオスなのか、それとも単に非常に複雑な『ノイズ（雑音）』なのか、どうやって区別するのか？」

正直に言って、どちらも見た目は同じように不規則で、区別することはほとんど不可能です。

さらに大きな問題は、金融市場は規則自体が常に変化することです（「構造的破壊」）。中央銀行が金利を引き上げたり、戦争が勃発したりすると、市場の「規則」自体が変わってしまうのです。カオス理論は「規則は固定されている」と仮定していますが、現実はそうではありません。

第4部：私たちの体と脳、そしてロボットのカオス

カオス理論は、天気やお金の問題だけでなく、私たちの生命そのものや、私たちが作り出した技術にも深く関わっています。

복잡하게 얽힌 뇌신경망. 창의성은 ‘질서’와 ‘카오스’의 경계에서 나옵니다.

複雑に絡み合った脳の神経網。創造性は「秩序」と「カオス」の境界線から生まれます。

創造的な脳は「縁」を歩む

先ほど金融市場で出てきた「カオスの縁」が、脳科学でも非常に重要に扱われています。私たちの脳が情報を処理し、学習し、特に創造性を発揮する時が、まさにこの状態にある時だという仮説です。

もし脳があまりにも秩序正しければ？ -> 頑固な考え方、型にはまった行動しかしないでしょう。
もし脳があまりにもカオスなら？ -> 考えが繋がらず、断片化してしまうでしょう。

創造性とは、安定した記憶（秩序）を基盤にしつつ、それを壊して新しく繋げる（カオス）能力です。つまり、秩序とカオスの、あの危うい境界線で最も優れた情報処理と創造性が発揮されるということです。

健康な心臓は「不規則に」拍動する：HRV分析

質問です。健康な心臓の拍動は、時計のように非常に規則的でしょうか？

驚くべきことに、答えは「いいえ」です。健康な人の心臓は、完璧に規則的なのではなく、微細に、しかし非常に複雑に不規則に拍動します。これを「心拍変動（Heart Rate Variability, HRV）」と言います。

臨床研究の結果、むしろこの複雑性（フラクタル特性）が低下し、心臓の拍動が単調で規則的になりすぎると、それが体に病気が発生したという危険信号である可能性があることが明らかになりました。特定の心臓疾患患者の死亡率を予測するのに、このHRVのカオス分析が強力な指標として使われています。もしかしたら、カオスは無秩序ではなく、「健康な生命力」の別の名前かもしれません。

カオスを利用する技術：暗号とロボット

工学者はこのカオスを利用することもありました。

暗号学：初期条件への鋭敏な依存性（バタフライ効果）は、完璧な乱数生成器のように見えました。しかし、デジタルコンピューターの有限な精度のため、結局パターンが繰り返される「周期」が生じてしまい、暗号としては致命的な弱点となりました。
ロボット工学：未知の領域を探査するロボットの移動経路を設計する際、カオスシステムを利用します。ロボットの経路は予測不可能でありながら、特定の領域を均等に通過させる（奇妙なアトラクター）ように作ることができます。単なる「ランダムウォーク」よりもはるかに効率的でありながら、予測は困難にする賢い方法です。

結論：予測不可能な秩序、世界を見る新たな目

この長い話をまとめると、カオス理論が私たちに与えた最大の贈り物は、「世界を見る新たな目」です。

私たちはこれまで、「規則がある＝予測できる」と固く信じてきました。しかし、カオス理論は、その頑なな信念を打ち破りました。

「決定されているが、予測することはできない。」

この深遠な逆説を通じて、私たちはようやく、見た目にはランダムで複雑に見えた自然現象（天気、生命、市場）の背後に隠された「予測不可能な秩序」を理解し始めました。

気象予報の根本的な限界を設定することから、金融市場の伝統理論に挑戦し、私たちの体の健康状態を診断する新しいツールを提供することまで、カオス理論の影響力は実に計り知れません。

そして、この旅は終わっていません。今やカオス理論は、GraphCastやPINNsのような強力な人工知能（AI）というツールと出会っています。複雑なカオスシステムを、以前は想像もできなかった方法で分析し、もしかしたら…ある程度制御できるかもしれないという希望さえ見えています。

決定論的な法則の中に隠された、この予測不可能な秩序を理解しようとする人類の探求は、これからまたどのような新しい物語を私たちに聞かせてくれるでしょうか？

参考資料

Horseshoe map (Wikipedia, Stephen Smale)
Smale’s Horseshoe Map - A Core Example in Chaos Theory (YouTube, J. Bramburger)
Feigenbaum constants (Wikipedia, Mitchell J. Feigenbaum)
Feigenbaum function (Wikipedia, Mitchell J. Feigenbaum, Predrag Cvitanović)
Mandelbrot set (Wikipedia, Adrien Douady, John H. Hubbard, Benoît Mandelbrot, Jeremy Kahn)
Fractal (Wikipedia, Benoît Mandelbrot, Pierre Fatou, Gaston Julia)
How Chaos Theory Works (HowStuffWorks, Benoît Mandelbrot)
Part V Ensemble prediction system (ECMWF)
The breeding method (ECMWF, Zoltan Toth, Eugenia Kalnay)
Comparison between Singular Vectors and Breeding Vectors as Initial Perturbations for the ECMWF Ensemble Prediction System (ResearchGate, S. Yang et al.)
A Multimetric Analysis of GraphCast and Integrated Forecasting System Precipitation Forecasts over the Contiguous United States (American Meteorological Society Journals, Various Authors)
GenCast: a generative AI model for ensemble weather forecasting (arXiv, Various Authors)
A Comparative Analysis of Hurricane Track Forecasting: AI-Based Graphcast-Operational Versus Physics-Based HWRFx Models (arXiv, Various Authors)
Fractal Market Analysis: Applying Chaos Theory to Investment and Economics (Edgar E. Peters)
Chaos Theory, Financial Crises and Speculative Bubbles: A Systematic Literature Review (DergiPark, Various Authors)
Chaos Theory in Finance (ResearchGate, Various Authors)
The Great Recession and Its Aftermath (Federal Reserve History)
Exploring market efficiency in cryptocurrencies: Fourier analysis of non-linear dynamics and breaks (ResearchGate, Öztürk)
The Volume–Return Relationship in Cryptocurrency Markets: A Copula-Based Analysis (MDPI, Various Authors)
Distinguishing chaos from noise: A new approach (ResearchGate, Various Authors)
Chaos Theory and Financial Markets (QuantNet Community, Various Users)
Does Chaos Matter in Financial Time Series Analysis? (Econjournals, M. Faggini et al.)
Creative cognition and systems biology on the edge of chaos (Frontiers in Psychology, Robert M. Bilder, Kendra S. Knudsen)
The role of chaos in biological information processing and its links to quantum-cognition (Opera Medica et Physiologica, John S. Nicolis, I. Tsuda)
Information Processing in Echo State Networks at the Edge of Chaos (J. Boedecker et al.)
Evaluation of non-linear indices of Heart Rate Variability as predictors of all-cause mortality in patients with Sarcoidosis (PMC, Various Authors)
Multi-Scale Multi-Fractal Detrended Fluctuation Analysis of Heart Rate Variability in Healthy Subjects (Frontiers in Physiology, Various Authors)
A Pseudorandom Number Generator Based on the Logistic Map (Marquette University e-Publications, Various Authors)
Pseudo-Random Number Generator Based on Logistic Chaotic System (ResearchGate, Various Authors)
Chaotic Path Planning for Mobile Robots Based on the Chen System (World Scientific, Various Authors)
Feigenbaum Constants and Universal Behavior (Fiveable)
Physics-Informed Neural Networks for Modeling Biological and Epidemiological Dynamical Systems (MDPI, Various Authors)
GraphCast: AI model for faster and more accurate global weather forecasting (Google DeepMind Blog, Remi Lam)
What if AI could save lives? A paradigm shift in weather forecasting (Climate Foresight, Remi Lam)
The quiet revolution of deep learning in weather forecasting (YouTube, Peter Dueben)
Google Reveals New A.I. Model That Predicts Weather Better Than the Best Traditional Forecasts (Smithsonian Magazine, Margherita Bassi)
The future of weather forecasting: AI meets climate science (CMCC, Remi Lam)
Generative AI to quantify uncertainty in weather forecasting (Google Research Blog, Lizao Li, Rob Carver)
Chaotic Characteristics and Prediction of WTI Crude Oil Prices (MDPI, Various Authors)
Lyapunov Exponents as Indicators of the Stock Market Crashes (CEUR Workshop Proceedings, Various Authors)
Application of the moving Lyapunov exponent to the S&P 500 index to predict major declines (Risk.net, Stefanos Tsakonas et al.)

4Storage. Using Lyapunov’s method for analysing of chaotic behaviour on financial time series data: a case study on Tehran stock exchange (ResearchGate, Various Authors)
Application of Chaos Theory in the Financial Markets (AIMS Press, Various Authors)
A STUDY OF CHAOS THEORY IN CRYPTOCURRENCY MARKETS (ResearchGate / International Journal of Advanced Research, Various Authors)
Chaos in the Cryptocurrency Market (MDPI, Various Authors)
A time series analysis for the cryptocurrency market (PMC, Various Authors)
Analysis of Chaos and Self-Similarity in Bitcoin Dynamics for Predictability (D-NB, Various Authors)
Bitcoin blockchain interoperability: an investigation of arbitrage returns (Frontiers in Blockchain, Various Authors)
Structural Breaks in Time Series (ResearchGate, Various Authors)
Distinguishing between Chaotic and Stochastic Systems in Financial Time Series (ResearchGate / World Scientific, Various Authors)
A novel method to distinguish chaotic from stochastic time series (PMC, Various Authors)
Detection of change points in chaotic and non-stationary time series: modern challenges and solutions (AIMS Press, Various Authors)
Chaotic Motion Planning for Mobile Robots: Progress, Challenges, and Opportunities (ResearchGate, Various Authors)
A chaotic path planning algorithm for terrain coverage by a mobile robot (Pergamos - University of Athens, Various Authors)
Applications of Chaotic Dynamics in Robotics (ResearchGate, Various Authors)
Path Planning of Industrial Robots: A Review (PMC, Various Authors)
Novel Fractional-Order Chaotic System Applied to Mobile Robot Path Planning and Chaotic Path Synchronization (MDPI, Various Authors)
Training physics-informed neural networks to solve differential equations over large domains (arXiv, Various Authors)
Taylor-Model Physics-Informed Neural Networks for Forward and Inverse Problems in Parametric ODEs (arXiv, Various Authors)
Physics-Informed Neural Networks (PINNs): A comprehensive review of their theory, applications, and remaining challenges (arXiv, Various Authors)
Many-Parameter Physics-Informed Neural Networks (arXiv, Various Authors)
A Comparative Analysis of Physics-aided Machine Learning Models for Lorenz System of ODEs (arXiv, Various Authors)
물리학 정보 신경망(PINNs)을 이용한 생물학 및 역학 동적 시스템 모델링 (MDPI, 다수 저자)
파이겐바움 상수 (Wikipedia, 미첼 J. 파이겐바움)
카오스 이론의 작동 원리 (HowStuffWorks, 브누아 망델브로)
ECMWF 앙상블 예측 시스템을 위한 초기 섭동으로서의 특이 벡터와 브리딩 벡터 비교 (ResearchGate, S. Yang 외)
그래프캐스트(GraphCast): 더 빠르고 정확한 전지구 기상 예보를 위한 AI 모델 (arXiv, 다수 저자)
프랙탈 시장 분석: 투자와 경제에 카오스 이론 적용하기 (Books-A-Million, 에드거 E. 피터스)
카오스 이론, 금융 위기 및 투기 거품: 체계적 문헌 검토 (DergiPark, 다수 저자)
암호화폐 시장의 효율성 탐구: 비선형 동역학 및 단절의 푸리에 분석 (ResearchGate, Öztürk)
카오스와 잡음 구별: 새로운 접근법 (ResearchGate, 다수 저자)
카오스의 가장자리에서의 창의적 인지와 시스템 생물학 (Frontiers in Psychology, 로버트 M. 빌더, 켄드라 S. 누드슨)
사르코이도증 환자의 모든 원인에 의한 사망률 예측인자로서의 심박 변이도 비선형 지수 평가 (PMC, 다수 저자)
로지스틱 맵 기반 의사난수생성기 (Marquette University e-Publications, 다수 저자)
첸 시스템 기반 이동 로봇의 카오스적 경로 계획 (World Scientific, 다수 저자)
S&P 500 지수의 주요 하락 예측을 위한 이동 랴푸노프 지수 적용 (Risk.net, 스테파노스 차코나스 외)

7Ai. 암호화폐 시장에서의 카오스 이론 연구 (ResearchGate, 다수 저자)
금융 시계열 분석에서 카오스는 중요한가? (Econjournals, M. 파기니 외)
이동 로봇을 위한 카오스적 운동 계획: 진전, 도전과 기회 (ResearchGate, 다수 저자)
물리학 정보 신경망(PINNs): 이론, 응용 및 남은 과제에 대한 포괄적 검토 (arXiv, 다수 저자)
Modeling chaotic Lorenz ODE System (arXiv)
(PDF) Using Lyapunov’s method for analysing of chaotic behaviour on financial time series data: a case study on Tehran stock exchange (ResearchGate)
Using Lyapunov’s method for analysing of chaotic behaviour on financial time series data (AIMS Press)
(PDF) Applications of Chaotic Dynamics in Robotics (ResearchGate)
Horseshoe Chaos - Dynamical Systems Extra Credit | Lecture 11 (YouTube)
fiveable.me (Fiveable)
Enhancing Near Real Time AI-NWP Hurricane Forecasts: Improving Explainability and Performance Through Physics-Based Models and Land Surface Feedback (arXiv)
A Comparison of AI Weather Prediction and Numerical Weather Prediction Models for 1–7-Day Precipitation Forecasts in (AMS Journals)
GenCast: Diffusion-based ensemble forecasting for medium-range weather (arXiv)
Using Physics-Informed Neural Networks for Modeling Biological … (MDPI)
Physics-Informed Neural Networks with Dynamical Boundary Constraints (arXiv)
HyperPINN: Learning parameterized differential equations with physics-informed hypernetworks (arXiv)
Taylor-Model Physics-Informed Neural Networks (PINNs) for Ordinary Differential Equations (arXiv)
Physics-Informed Neural Networks and Extensions (arXiv)
(PDF) Exploring market efficiency in cryptocurrencies: Fourier analysis of non-linear dynamics and breaks (ResearchGate)
Fractal Market Analysis by Edgar E. Peters (Books-A-Million / Barnes & Noble)
(PDF) A STUDY OF CHAOS THEORY IN CRYPTOCURRENCY … (ResearchGate)
Fractional and fractal processes applied to cryptocurrencies price series (PMC)
Chaos in Bitcoin Cryptocurrency Metrics: Analysis and Forecasts (D-NB)
Exploring bitcoin cross-blockchain interoperability: estimation through Hurst exponent (Frontiers)
Seeking a Chaotic Order in the Cryptocurrency Market (MDPI)

参考文献