Cambios

Caos

1381 bytes añadidos, 18:08 5 sep 2016

sin resumen de edición

Versión española de [http://plato.stanford.edu/archives/fall2009/entries/chaos/ Chaos], de la Stanford Encyclopedia of Philosophy.

Traducción: Alan Heiblum

Lo interesante acerca de la teoría del caos, se cree, es que aun el más pequeño de los cambios en un sistema puede provocar enormes diferencias en su comportamiento. El llamado efecto mariposa se ha vuelto una de las imágenes más populares del caos. La idea es que el aleteo de las alas de una mariposa en Argentina podría causar un tornado en Texas tres semanas más tarde. En cambio, en una réplica exacta del mundo sin la mariposa argentina, ninguna tormenta hubiera surgido así en Texas. La versión matemática de esta propiedad se conoce como dependencia sensible. Sin embargo, resulta que la dependencia sensible es noticia vieja, así que algunas de las implicaciones que desde ahí fluyan tal vez no resulten ‘tan interesantes’ después de todo. Aún así, los estudios acerca del caos han puesto de relieve estas implicaciones en una manera original, así como han conducido a pensar en otras implicaciones también.

Poincaré expuso algunos ejemplos que, vistos en retrospectiva, pueden ser de utilidad para despertar dudas acerca de la pertinencia de tomar el crecimiento explosivo de efectos pequeños como condición suficiente para obtener una definición de caos. En primer lugar, considérese un cono perfectamente simétrico en perfecto equilibrio sobre su punta, con la fuerza de la gravedad como la única fuerza que actúa sobre él. En ausencia de cualquier fuerza que pudiera afectarlo, el cono mantendrá este equilibrio inestable por siempre. Este equilibrio resulta inestable porque el más pequeño empujón de, por ejemplo, una molécula de aire causará que el cono caiga, pero el cono podría caer en cualquier dirección debido a mínimas diferencias en varias perturbaciones que surgen como consecuencia de las colisiones con diferentes moléculas. En este caso, las variaciones en las causas más ligeras dan lugar a efectos dramáticamente distintos (una violación del axioma de físico de Maxwell). Si se graficara la caída de este cono inestable, observaríamos que a partir de un pequeño conjunto de condiciones iniciales, un elevado número de diferentes trayectorias que se originan en este conjunto comenzarían a divergir rápidamente unas de otras.

El concepto de trayectorias vecinas que divergen o crecen alejándose unas de otras juega un rol importante en la discusión sobre el caos. Para caracterizar dicha divergencia, tres marcas de la tasa de crecimiento son útiles: el lineal, el exponencial y el geométrico. ''El crecimiento lineal'' puede ser representado mediante la simple expresión ''y ''= ''ax''+''b, ''donde ''a ''es una constante positiva y arbitraria y ''b ''es una constante arbitraria. Un caso especial de crecimiento lineal es ilustrado por un tablero de ajedrez en el que se acumulan arroces (''a ''= 1, ''b ''= 0). Dada la regla que pide poner un arroz en el primer cuadro, dos en el segundo, tres arroces en el tercero, y así en adelante, el ejercicio se termina con 64 arroces en la última casilla. Y el número total de arroces en el tablero ascenderá a 2080. El ''crecimiento exponencial'' puede ser representado por la expresión ''y ''= ''noeax'', donde ''no ''es cierta cantidad inicial (digamos el numero inicial de arroces a ser acumulados) y ''a ''es una constante positiva y arbitraria. Es llamada ‘inicial’ porque cuando ''x ''= 0 (el ‘tiempo inicial’) tenemos ''y ''= ''n''0. Yendo de regreso a la analogía de los arroces acumulados (''a ''= 1), ponemos nuevamente un arroz en la primera casilla, pero ahora tocan 2,7 arroces en la segunda casilla, cerca de 7,4 arroces en el tercer recuadro y así en adelante, ¡finalizando con cerca de 6,2 × 1027 arroces acumulados en la última casilla! Claramente, el crecimiento exponencial sobrepasa rápidamente el crecimiento lineal. Finalmente, tenemos el ''crecimiento geométrico'', que puede ser representado por la expresión ''y = abx'', donde ''a ''y ''b ''son constantes arbitrarias y positivas. Nótese que para el caso de ''a ''= ''e ''y ''b ''= 1 se recupera el caso exponencial. ([[#1)|1]]

Muchos autores consideran una importante marca del caos el que las trayectorias que parten de puntos cercanos diverjan unas de otras exponencialmente rápido. No obstante, es posible que las trayectorias diverjan aún más rápido que exponencialmente. Tómese el ejemplo dado por Poincaré de una molécula dentro de un gas de ''N'' moléculas. Si dicha molécula sufriera la más mínima desviación de su punto de salida inicial y se comparasen sus trayectorias desde estos dos puntos de partida ligeramente distintos, las trayectorias resultantes diferirían en una tasa geométrica, elevada a la ''n'', debido a las ''n ''colisiones subsecuentes, cada una siendo distinta de la esperada si no hubiera habido el mínimo cambio en las condiciones iniciales.

Un mapa discreto es caótico si tiene un exponente global de Lyapunov positivo.

Positivo significa aquí que el exponente global de Lyapunov sea positivo para casi todos los puntos en un conjunto especificado S. Esta definición ciertamente está conectada con DSF y es la que los físicos usan frecuentemente para caracterizar los sistemas como caóticos. Además, ofrece ventajas practicas cuando se trata de hacer cálculos y a menudo puede ser relacionada “de manera directa y sin rodeos” a los datos experimentales en el sentido de examinar los conjuntos de datos generados por los sistemas físicos para los exponentes globales de Lyapunov.[[#2|<~~nowiki~~sup>[2]]<~~/nowiki~~span id="..">

Tal enfoque no parece ser consistente con la visión semántica ilustrada mediante la mecánica clásica. Allí se encuentran varios modelos como el oscilador armónico junto a las hipótesis acerca de cómo estos modelos se aplican a sistemas físicos idealizados, incluyendo especificaciones de las constantes del resorte y su identificación con los términos matemáticos en un modelo, límites para oscilaciones pequeñas, etc. Pero en mecánica clásica existe una clara asociación entre los modelos de una teoría y el espacio de estados definible a través de las variables de esos modelos, con hipótesis adicionales respecto de la relación entre el modelo del espacio de estados y aquel del sistema físico a ser modelado (la suposición del modelo fiel, §1.2.3). Uno puede traducir entre el espacio de estados y los modelos y, en el caso de la mecánica clásica, uno puede leer las leyes involucradas también (e.g. las leyes de movimiento de Newton están codificadas en las posibilidades permitidas por el espacio de estados de la mecánica clásica).

Desafortunadamente, la conexión entre el espacio de estados, los modelos caóticos y las leyes es menos clara. De hecho no hay buenos candidatos para las leyes del caos por fuera o encima de las leyes de la mecánica clásica, y algunos, como Kellert, explícitamente niegan que el modelado del caos tenga leyes del todo (1993, cap. 4). Además, la relación entre el espacio de estados de los modelos caóticos y el espacio de sistemas físicos idealizados es bastante delicada, lo que parece ser una disimilitud entre la mecánica clásica y ‘la teoría del caos’. Para la primera podemos traducir entre modelos y espacio de estados. Para la segunda podemos derivar un espacio de estados para los modelos caóticos desde el modelo no lineal completo, pero no podemos revertir el proceso y recuperar el modelo no lineal del espacio de estados desde el del modelo caótico. Se podría esperar que las hipótesis que conectan los modelos de caos con los sistemas físicos idealizados llevaran a cuestas las hipótesis que conectan los modelos de la mecánica clásica con sus correspondientes sistemas físicos idealizados. Pero no es claro cómo esto podría funcionar para el caso de los modelos de caos en biología, economía y otras disciplinas. [[#3|<~~nowiki~~sup>[3]]<~~/nowiki~~span id="...">

Adicionalmente, existe otro problema potencial que surge de pensar acerca de la suposición del modelo fiel, a saber, ¿cuál es la relación o mapeo entre el modelo y el sistema a estudiar? ¿Hay una relación ‘uno a muchos’ (varios diferentes modelos no-lineales del mismo sistema de estudio o, potencialmente, viceversa) o una relación ‘muchos a muchos’? Para varios problemas de la mecánica clásica –a saber, donde los modelos lineales o las funciones de fuerza son utilizados en la segunda ley de Newton– el mapeo o traslación entre modelo y sistema destino parecen ser directamente ‘uno a uno’. Sin embargo, en contextos de no linealidad, donde uno pudiera estar construyendo un modelo a partir del conjunto de información generado mediante la observación del sistema, existen potencialmente numerosos modelos no lineales que pueden construirse, donde cada modelo es empíricamente tan adecuado al comportamiento del sistema como cualquier otro. ¿Existe realmente un único modelo para cada sistema destino y simplemente no sabemos cuál es el “verdadero” (digamos, por los problemas de la sub-determinación)? O, ¿no existe realmente una relación “uno a uno” entre los modelos matemáticos y los sistemas destino?

Para los modelos lineales resulta sencillo ver la ventaja intuitiva de dichas estrategias graduales. Después de todo, para los sistemas de ecuaciones lineales queda garantizado que de un pequeño cambio en la magnitud de alguna variable se obtiene un cambio proporcional en el resultado del modelo. Así que al realizar modificaciones graduales a la información inicial o al modelo lineal solo puede esperarse cambios proporcionales en los resultados del modelo. Si el modelo lineal es fiel, entonces puede rastrearse desde las mejorías en el desempeño del modelo cuáles de los pequeños ajustes son ‘en la dirección adecuada’ tanto en la información inicial o en el modelo mismo. El calificativo ‘en la dirección adecuada’, articulado desde el supuesto del modelo fiel, significa que la calidad de la información realmente se incrementa o que el modelo, en verdad, deviene más realista (captura más características del sistema de estudio al tiempo que mejora su precisión), y esto queda representado por la mejora monótona del desempeño del modelo con respecto del sistema de estudio.

Sin embargo, ambos enfoques básicos que se utilizan para confirmar modelos encuentran serias dificultades cuando se aplican a los modelos no lineales, donde el principio de superposición no se mantiene. En el primer enfoque ya no queda asegurado que los pequeños refinamientos sucesivos en la información inicial usados por el modelo no lineal llevarán a alguna convergencia entre el comportamiento del modelo y el comportamiento del sistema de estudio. Cualquier refinamiento en la información inicial puede desembocar en cambios no proporcionales en el comportamiento del modelo tornando inefectiva toda esta estrategia de convergencia gradual como instancia confirmatoria del modelo. Un refinamiento en la calidad de la información ‘en la dirección adecuada’ no asegura que lleve a una mejora monótona en la capacidad del sistema no lineal para capturar el comportamiento del sistema de estudio. El más pequeño retoque en la calidad de la información puede terminar perfectamente en que el comportamiento del modelo diverja respecto del comportamiento del sistema. [[#4|<~~nowiki~~sup>~~. [~~4]]<~~/nowiki~~span id="....">

En el segundo enfoque, mantener la información fija haciendo refinamientos sucesivos en los modelos no lineales tampoco es garantía de que se llegará a una convergencia entre el comportamiento del modelo y el comportamiento del sistema elegido. Con la pérdida de la superposición lineal, cualquier pequeño cambio en el modelo puede conducir a cambios no proporcionales en el comportamiento del modelo tornando ineficiente, nuevamente, la estrategia de convergencia como una instancia confirmatoria del modelo. Incluso si un pequeño refinamiento del modelo, se hiciera en ‘la dirección adecuada’, no hay ninguna garantía de que el modelo no lineal vaya a mejorar monótonamente en la captura del comportamiento del sistema de estudio. El pequeño refinamiento en el modelo puede muy bien conducir a que el comportamiento del modelo diverja del comportamiento del sistema.

# Por lo tanto, la mecánica cuántica podrá afectar los resultados de los sistemas caóticos conduciendo a una violación de la evolución única.

La premisa (A) deja claro que la DSF es la definición operativa para caracterizar el comportamiento caótico en este argumento, invocando un crecimiento exponencial caracterizado por el mayor exponente global de Lyapunov. La premisa (B) expresa el límite del estado de mínima incertidumbre para la precisión con que se puede medir el par momento y posición dentro de un sistema cuántico de ''N'' dimensiones (nótese que el exponente es 2''N'' en el caso de se midan electrones no correlacionados~~<nowiki>~~). [[#5|5]]<~~/nowiki~~span id="....."> La conclusión del argumento en la forma aquí dada es, de hecho, más fuerte que la que sostiene que la mecánica cuántica puede influenciar los sistemas macroscópicos que exhiban DSCI y también que el determinismo falla para dichos sistemas, justamente por dichas influencias. Sucintamente, el razonamiento se explica a continuación. Puesto que hay DSCI los sistemas caóticos no lineales cuyos estados iniciales únicamente puedan ser localizados en una pequeña vecindad ε del espacio de estados, tendrán estados futuros que pueden ser localizados únicamente dentro de una sección mucho mayor δ. Por ejemplo, dos sistemas isomórficos no lineales de la mecánica clásica que exhiban DSCI, cuyos estados iniciales estén localizados dentro de ε, tendrán estados futuros que solo pueden ser localizados dentro de δ. Puesto que la mecánica cuántica fija un estado ligado mínimo para el tamaño de la región de las condiciones iniciales, la evolución única deberá fallar para los sistemas caóticos no lineales.

El argumento de la DS, no obstante, no se despliega tan fácilmente como algunos de sus defensores han pensado. Hay algunas dificultades respecto a qué versión de la mecánica cuántica es la adecuada (e.g. la versión de von Neumann, la de Bohm o las teorías de decoherencia), respecto a la naturaleza de la teoría de medición (teorías con colapso vs. teorías sin colapso), y respecto a que la selección del estado inicial que caracteriza el sistema debe llevarse a cabo antes de que uno pueda decir claramente si la evolución se viola o no se viola (Bishop 2008). Por ejemplo, justamente porque los efectos cuánticos pueden influenciar los sistemas macroscópicos caóticos no está garantizado que el determinismo fallará para dichos sistemas. Que las interacciones cuánticas con sistemas macroscópicos no lineales que exhiben DSCI contribuya de manera indeterminista a los resultados de dichos sistemas depende de la pregunta, actualmente indecidible, acerca del indeterminismo en mecánica cuántica y el problema de la medida.

Los atractores extraños son usualmente caracterizados como poseedores de una dimensión no entera o fractal (aunque no todos los atractores tienen una dimensión de tales características.) El tipo de dimensión que usualmente encontramos tanto en la física como en la experiencia cotidiana es entera. Un punto tiene dimensión cero; una línea dimensión uno; un cuadrado dimensión dos, un cubo dimensión tres y así en adelante. Para explicar la generalización de nuestras intuiciones acerca de la dimensión considérese un cuadrado grande. Supóngase ahora que llenamos el cuadrado grande con pequeños cuadrados cada uno con lados de tamaño ε. El número de pequeños cuadrados necesarios para llenar completamente el espacio interior del cuadrado grande es ''N ''(ε). Ahora bien, repítase el proceso de llenado del cuadrado grande con los cuadrados pequeños, pero haciendo cada vez más pequeño el tamaño sus lados ε. En el límite en que ε se aproxima a cero, encontramos que el coeficiente ln''N''(ε)⁄ln(1⁄ε) equivale a dos, que es justo lo que esperaríamos para un cuadrado de dos dimensiones. Se puede imaginar el mismo ejercicio para el llenado de un cubo grande de tres dimensiones (un salón, digamos) con pequeños cubos y en el límite cuando ε se aproxima a cero, habremos arribado a una dimensión de tres. Cuando aplicamos estas generalizaciones a la dimensión de la estructura geométrica de los atractores extraños, lo que encontramos como resultado es un número no entero. Esto significa que si tratamos de aplicar el mismo procedimiento de “llenar” la estructura formada por el atractor extraño con pequeños cuadrados o cubos, en el límite cuando ε tiende a cero el resultado es no entero. Ya sea que uno esté examinando un conjunto no lineal de ecuaciones matemáticas o analizando la información de las series de tiempo a partir de un experimento, la presencia de autosimilitud o de dimensiones no enteras son indicaciones de que el comportamiento caótico del sistema bajo estudio es disipativo (no conservativo) en lugar de hamiltoniano (conservativo).

Aunque entre los matemáticos no existe una definición universalmente aceptada de atractores extraños ni dimensión fractal, la pregunta más seria es acerca de si los atractores extraños como la dimensión fractal son propiedades de nuestros modelos o si lo son también de los sistemas del mundo real. Por ejemplo, las investigaciones empíricas en varios sistemas del mundo real indican que no hay estructuras autosimilares infinitamente repetidas como la de los atractores extraños (Avnir ''et al. ''1998; ver también Shenker 1994). A lo sumo, lo que uno encuentra son estructuras autosimilares repetidas en dos o tres escalas espaciales dentro de la reconstrucción del espacio de estados, y eso es todo. Esto parece ser más un ''prefractal, '', donde la estructura autosimilar existe únicamente en un número finito de escalas de tamaño. Es decir, los prefractales repiten su estructura bajo un número finito de aumentos en lugar de infinitamente como en el caso de un fractal. Así que esto parece indicar que no hay genuinos atractores extraños con dimensión fractal en los sistemas reales, sino únicamente atractores con una geometría prefactal con autosimilitud en un número limitado de escalas espaciales.

Por otra parte, todos los modelos caóticos disipativos utilizados para caracterizar algunos de los sistemas del mundo real exhiben atractores extraños con geometría fractal. De modo que parecería que las geometrías fractales en los espacios de estado del modelo caótico no guardan relación alguna con las características prefractales de los sistemas del mundo real. En otras palabras, estas características fractales de muchos de nuestros modelos son claramente falsas para los sistemas de estudio, aunque los modelos todavía pueden ser útiles para ayudar a los científicos a localizar dinámicas interesantes de los sistemas de estudio caracterizados por propiedades prefractales. La visión del realismo científico y la visión de la utilidad separan aquí sus caminos. Al menos varios de los atractores extraños de nuestros modelos juegan el rol de ficciones útiles.

¿Qué tipo de entendimiento se logra mediante las explicaciones del caos? Kellert argumenta que obtenemos (1) predicciones de comportamientos cualitativos en lugar de detalles cuantitativos, (2) mecanismos geométricos en lugar de procesos causales y (3) ciertos patrones en lugar de una necesidad tipo leyes.

Con respecto a (1), las predicciones detalladas referentes a las trayectorias individuales fallan bastante rápido para los modelos caóticos en la presencia de algún error en la especificación del estado inicial. En lugar de esto, Kellert dice, lo que tenemos son predicciones de los comportamientos globales de los modelos y un recuento de los modelos caóticos de predictibilidad limitada. Sin embargo muchos de estos comportamientos pueden ser predichos con precisión (e.g. los valores de los parámetros de control [[#6|<~~nowiki~~sup>[6]]<~~/nowiki~~span id="......"> en los que ocurren varias bifurcaciones, el inicio del caos, el retorno de las órbitas periódicas.) (1) da un ''insight'' importante pero limitado. Bajo esta mirada somos capaces de predecir cuándo se puede esperar que las características cualitativas de la dinámica no lineal lleven a un cambio brusco, pero los modelos de caos no otorgan valores precisos de las variables del sistema. Obtenemos estos últimos valores cuando ejecutamos de golpe las simulaciones computacionales del modelo completo de ecuaciones no lineales, siempre que los grados de libertad se mantengan razonables. En este sentido las explicaciones de caos son complementarias a la simulación completa del modelo porque nos pueden decir cuándo/dónde esperar que la dinámica cambie el inicio de las dinámicas complicadas en la simulación del modelo.

Con respecto a (2), las explicaciones del caos no son especies de explicación causal. Esto es decir, que las explicaciones de caos no se centran en, ni revelan, los procesos ni las interacciones que originan las dinámicas; en lugar de esto, revelan características geométricas de larga escala de las dinámicas. Kellert mantiene que los tipos de mecanismos en los que las explicaciones del caos se centran no son causales sino geométricos. Parte de las razones detrás de sus afirmaciones es que observa los recuentos típicos causales de la explicación operando de una manera reductiva: traza los procesos individuales causales y sus interacciones para entender el comportamiento del sistema. Pero las explicaciones del caos, de acuerdo con Kellert, evitan este nivel de detalle, centrándose por otra parte en el comportamiento del sistema como un todo. De hecho las explicaciones del caos tienden a agrupar modelos y sistemas en tanto exhiben patrones similares de comportamiento sin reparar en las diferencias causales subyacentes. Los procesos causales son ignorados; los patrones universales de comportamiento son el foco de atención. Y es la información cualitativa sobre las características geométricas del modelo la que resulta clave para las explicaciones del caos para Kellert.

===Libre albedrío y conciencia===

Varios autores han recurrido a la mecánica cuántica pare ayudar a explicar la conciencia y el libre albedrío (e.g. Compton 1935; Eccles 1970; Penrose 1991, 1994 y 1997; Beck y Eccles 1992; Stapp 1993; Kane 1996). Aún así, ha sido menos claro para muchos que la mecánica cuántica sea relevante para los temas de la conciencia y el libre albedrío. Por ejemplo, una primera objeción a la postura que sostenía que los efectos cuánticos influyen sobre la voluntad humana fue ofrecida por el filósofo J.J.C. Smart (1963, 123–4~~<nowiki>~~).[[#7|7]]<~~/nowiki~~span id="......."> Incluso si el indeterminismo fuera verdadero al nivel cuántico, Smart argumenta que el cerebro se mantendría determinista en sus operaciones puesto que los eventos cuánticos son insignificantes en comparación. Después de todo se sabe que una única neurona es excitada por un número de moléculas que asciende a un orden de miles, y que cada molécula se compone de un número de entre diez y veinte átomos. Los efectos cuánticos aunque substanciales cuando se trata de átomos sueltos son presuntamente descartables cuando se trata de sistemas que involucran grandes números de moléculas. Por ende parece que los efectos cuánticos resultarían insignificantes en comparación con los efectos de miles de moléculas como para jugar algún rol en la conciencia o la deliberación.

Argumentos como los expuestos por Smart no toman en consideración la posibilidad de la amplificación de los efectos cuánticos a través del interacción entre la DSCI al nivel del mundo macroscópico por un lado y los efectos cuánticos por el otro (véase §4). Los argumentos de la DS se proponen demostrar que el caos en los sistemas clásicos puede amplificar las fluctuaciones cuánticas debido a la sensibilidad a los más pequeños cambios en las condiciones iniciales. A lo largo de esta línea supóngase (de una manera simplista) que los patrones de destello neuronal en el cerebro corresponden a estados de decisión. La idea es que el caos podría amplificar los eventos cuánticos causando que una neurona solitaria se dispare cuando de otra manera nunca lo hubiera hecho. Si el cerebro (un objeto macroscópico) se encuentra también en un estado dinámico caótico que lo torna sensible a pequeños alborotos, este disparo neuronal adicional, pequeño como es, se amplificaría aún en mayor medida hasta el punto donde los estados cerebrales evolucionarían de manera diferente de lo que hubiera sucedido si la neurona no se hubiera disparado. A su vez estos disparos neuronales y estados cerebrales alterados podrían permitir el desarrollo de estos efectos cuánticos afectando así el resultado de las decisiones humanas.

Existen muchas objeciones a esta línea de razonamiento. Primero, la presencia de caos en el cerebro y sus operaciones es una cuestión empírica que se encuentra en intenso debate (Freeman y Skarda 1987; Freeman 1991, 2000; Kaneko, Tsuda y Ikegami 1994, 103-189; Vandervert 1997; Diesmann, Gewaltig y Aertsen 1999; Lehnertz 2000). Sin embargo, deberíamos señalar que esta discusión típicamente asume DS o ~~Caosλ~~ Caosλ como las definiciones de caos. Tal vez lo que realmente es necesario para una sensibilización hacia los efectos cuánticos en el cerebro, así como la amplificación de dichos efectos, es la pérdida del principio de superposición encontrado en los sistemas no lineales. Segundo, este tipo de argumentos referentes a la sensibilidad dependen crucialmente de cómo son interpretadas la mecánica cuántica y las mediciones, así como el estatus que se otorga al indeterminismo (§4). Tercero, aunque en lo abstracto los argumentos relacionados con la sensibilidad parecerían llevarnos a la conclusión de que el más pequeño de los efectos puede ser amplificado, aplicar ese tipo de argumentos a los sistemas físicos concretos muestra que la amplificación de los procesos puede estar severamente constreñida. En el caso del cerebro, actualmente no sabemos qué tipo de constricciones existen en la amplificación.

Una posibilidad alternativa para evitar muchas de las dificultades que exhibe el enfoque de mecánica cuántica+caos es sugerida por la investigación sobre los sistemas “alejados del equilibrio” de Ilya Prigogine y su equipo de Bruselas-Austin (Bishop 2004). Su trabajo pretende ofrecer razones para buscar un tipo distinto de indeterminismo tanto a nivel microscópico como macroscópico.

Permítanme esbozar rápidamente una versión simplificada del enfoque para así explicar por qué los progresos logrados por el grupo de Bruselas-Austin ofrecen una alternativa para investigar las conexiones entre la física, la conciencia y el libre albedrío. Los enfoques convencionales en la física describen sistemas que utilizan las trayectorias de las partículas como elemento explicativo fundamental de sus modelos, lo que significa que el comportamiento del modelo es derivable de las trayectorias de las partículas que componen el modelo. Las ecuaciones que gobiernan el movimiento de estas partículas son reversibles con respecto al tiempo (pueden ir hacia adelante o hacia atrás como en una película). Cuando hay demasiadas partículas involucradas como para hacer viable este tipo de cálculos (como en gases o líquidos), se utilizan procedimientos de promedio de grano grueso para desarrollar un imagen estadística de cómo el sistema se comporta en lugar de enfocarse en el comportamiento de partículas individuales.

En contraste, el enfoque de Bruselas-Austin define los sistemas fuera de equilibrio en términos de modelos no lineales cuyos elementos explicativos fundamentales son las distribuciones; es decir, los arreglos de partículas son los elementos fundamentales de las explicaciones y no las partículas individuales ni sus trayectorias.[[#8|<~~nowiki~~sup>.[8]] <~~/nowiki~~span id="........">Las ecuaciones que gobiernan el comportamiento de estas distribuciones son generalmente irreversibles con respecto al tiempo. Así mismo, centrarse exclusivamente en las funciones de distribución abre la posibilidad de que los modelos macroscópicos fuera de equilibrio sean irreduciblemente indeterministas en un sentido que no tiene nada que ver con la ignorancia acerca del sistema. De ser así, esto significaría que las probabilidades son ontológicamente tanto un elemento fundamental de mundo macroscópico como lo son del microscópico y quedan libres de las dificultades interpretativas que se encuentran en la mecánica cuántica convencional.

Un ''insight'' importante del grupo Bruselas-Austin, al dejar las trayectorias y tomar las distribuciones como elementos fundamentales, es que la explicación también deja atrás un contexto local (el conjunto de trayectorias de partículas) y pasa a un contexto global (distribuciones de un conjunto entero de partículas). Los sistemas que actúan como un todo pueden producir efectos colectivos que no son reducibles a la suma de las trayectorias y subelementos que los conforman (Bishop 2004 y 2008). El cerebro exhibe este tipo de comportamiento colectivo en muchas circunstancias (Engel ''et al. ''1997) y el trabajo de Prigogine y sus colegas nos da una herramienta más para tratar de entender este comportamiento. Más aún, los modelos no lineales fuera de equilibrio también exhiben DSCI, así que hay varias posibilidades en estos enfoques para una descripción dinámica realmente rica de las operaciones cerebrales y los fenómenos cognitivos (e.g. Juarrero 1999). Aunque el enfoque de Bruselas-Austin a la mecánica estadística fuera de equilibrio sigue siendo especulativo y contiene algunas preguntas técnicas abiertas (Bishop 2004), ofrece no solo una alternativa a las exploración de la relación entre la física, la conciencia y el libre albedrío sino que también señala a una posible fuente de indeterminismo que puede ser explorada en las teorías del libre albedrío.

Las dinámicas caóticas y no lineales no son solo áreas ricas para la investigación sino que también plantean varias preguntas de interés filosófico. La mayoría de estas preguntas quedan, sin embargo, en el campo exclusivo de estudio de los filósofos.

==Notas==

1.- Diversos autores utilizan los términos ‘crecimiento geométrico’ y ‘crecimiento exponencial’ de manera diferente a la definida aquí. [[#.|Volver al texto]].

2.- Algunos autores defienden caracterizar el caos en término de las nociones provenientes de la teoría ergódica. Para cierta discusión y referencias ver (Sklar 1995, 235-40; Berkovitz, Frigg y Kronz 2006). [[#..|Volver al texto]]

3.- Existe un problema adicional: muchos de los mapas en los estudios del caos (e.g. la transformación de Baker) tienen orígenes puramente matemáticos en lugar de ser derivados desde algunos modelos más complejos del sistema de interés. Es difícil ver qué tipo de conexión se supone que estos mapas tienen con el espacio de posibilidades de los sistemas reales. [[#...|Volver al texto]]

4.- En tanto exista cierta incertidumbre en la información inicial de un sistema de estudio, incluso el resultado del modelo fiel divergirá del comportamiento del sistema de estudio. Esto se debe a cualquier incertidumbre en la determinación de las condiciones iniciales verdaderas conduce a la divergencia del comportamiento del modelo respecto del comportamiento del sistema; y no hay manera de reducir esta incertidumbre a cero (e.g. Bishop 2003). [[#....|Volver al texto]]

5.- Para interiorizarse sobre las dificultades de maridar los espacios de fases clásicos y cuánticos, ver (Bishop y Kronz 1999, 135-136). [[#.....|Volver al texto]]

6.- Los parámetros de control son variables particulares u otras propiedades de un sistema –e.g. temperatura, voltaje, flujo–, que pueden modificarse de una determinada manera para poder observar cómo el sistema se comporta cuando el parámetro varía. Estos parámetros hacen referencia a los aspectos estructurales del sistema en cuestión, así como los cambios en temperatura reflejan la energía inyectada en el sistema. [[#......|Volver al texto]]

7.- Obsérvese que la objeción de Smart presupone la identidad mente-cerebro.[[#.......|Volver al texto]]

8.- Muchos autores han concluido que Prigogine y sus colaboradores estaban argumentando que las trayectorias no existían, pero esto no es el caso. El asunto es un tanto técnico y el grupo de Bruselas-Austin ha sido notoriamente poco claro es sus escritos sobre este punto (ver Bishop 2004). [[#........|Volver al texto]]

==Bibliografía==

* Aristóteles. 1985. ''On the Heavens''. En ''The Complete Works of Aristotle: The Revised Oxford Translation'', editado por J. Barnes, Vol 1. Princeton: Princeton University Press.* Avnir, D., O. Biham, D. Lidar y O. Malcai. 1998. “Is the Geometry of Nature Fractal?”. ''Science'' 279: 39–40.* Banks, J., J. Brooks, G. Cairns, G. Davis, G. y P. Stacey. 1992. “On Devaney's Definition of Chaos”. ''American Mathematical Monthly'' 99: 332–334.* Barone, S. R., E. E. Kunhardt, J. Bentson, y Syljuasen. 1993. “Newtonian Chaos + Heisenberg Uncertainty = Macroscopic Indeterminacy”. ''American Journal Of Physics'' 61: 423–7.* Batterman, R. W. 1993. “Defining Chaos”. ''Philosophy of Science'' 60: 43–66.* Beck, F. y J. Eccles. 1992. “Quantum Aspects of Brain Activity and the Role of Consciousness”. ''Proceedings of the National Academy of Science (United States)'' 89: 11357–11361.* Berkovitz, J, R. Frigg y F. Kronz. 2006. “The Ergodic Hierarchy, Randomness and Chaos”. ''Studies in History and Philosophy of Modern Physics'' 37: 661–691.* Bishop, R. C. 2002a. “Chaos, Indeterminism, and Free Will”. En ''The Oxford Handbook of Free Will'', editdo por R. Kane, 111-124. Oxford: Oxford University Press.* Bishop, R. C. 2002b. “Deterministic and Indeterministic Descriptions”. En ''Between Chance and Choice. Interdisciplinary Perspectives on Determinism'', editado por H. Atmanspacher y R. Bishop, 5-31. Thorverton: Imprint Academic.* Bishop, R. C. 2003. “On Separating Prediction from Determinism”. ''Erkenntnis'' 58: 169–188.* Bishop, R. C. 2004. “Nonequilibrium Statistical Mechanics Brussels-Austin Style”. ''Studies in History and Philosophy of Modern Physics'' 35: 1–30.* Bishop, R. C. 2005. “Anvil or Onion? Determinism as a Layered Concept”. ''Erkenntnis'' 63: 55-71.* Bishop, R. C. 2006. “Determinism and Indeterminism”. En ''Encyclopedia of Philosophy, Second Edition'', editada por D. M. Borchert, Vol. 3, 29-35. Farmington Hills, MI: Macmillian Reference. * Bishop, R. C. 2008. “Downward Causation in Fluid Convection”. ''Synthese ''160: 229-248.* Bishop, R. C. 2008. “What Could Be Worse than the Butterfly Effect?”. ''Canadian Journal of Philosophy'' 38: 519–548.* Bishop, R. C. y F. K. Kronz. 1999. “Is Chaos Indeterministic?” En ''Language, Quantum, Music: Selected Contributed Papers of the Tenth International Congress of Logic, Methodology & Philosophy of Science'', Florence, August, 1995, editado por M. L. Dalla Chiara, R. Guintini y F. Laudisa, 129-141. Dordrecht, The Netherlands: Kluwer Academic Publishers. * Cartwright, N. 1983. ''How the Laws of Physics Lie''. Oxford: Clarendon Press.* Cartwright, N. 1999. ''The Dappled World: A study of the Boundaries of Science''. Cambridge: Cambridge University Press.* Clark, A. 1998. “Time and Mind”. ''Journal of Philosophy'' 95: 354– 376. * Compton, A. 1935. ''The Freedom of Man''. New Haven: Yale University Press.* Devaney, R. 1989. “Dynamics of Simple Maps”. ''Proceedings of Symposia in Applied Mathematics'' 39: 1-24.* Diesmann M., M-O. Gewaltig y A. Aertsen. 1999. “Stable Propagation of Synchronous Spiking in Cortical Neural Networks”. ''Nature'' 402: 529–533. * Duhem, P. 1982. ''The Aim and Structure of Physical Theory''. Princeton: Princeton University Press.* Dupré, J. 1993. ''The Disorder of Things: Metaphysical Foundations of the Disunity of Science''. Cambridge, MA: Harvard University Press.* Eccles, J. 1970. ''Facing Reality''. New York: Springer. * Engel, A., P. Roelfsema, P. König y W. Singer. 1997. “Neurophysiological Relevance of Time”. En ''Time, Temporality, Now: Experiencing Time and Concepts of Time in an Interdisciplinary Perspective'', editado por H. Atmanspacher y E. Ruhnau, 133-157. Berlin: Springer. * Ford, J. y G. Mantica. 1992. “Does Quantum Mechanics Obey the Correspondence Principle? Is It Complete?” ''American Journal of Physics'' 60: 1086–1097.* Fox, R. F. 1990. “Chaos, Molecular Fluctuations, and the Correspondence Limit”. ''Physical Review A'', 41: 2969–2976.* Freeman, W. J. 1991. “Nonlinear Dynamics in Olfactory Information Processing”. En ''Olfaction'', editado por J. Davis y H. Eichenbaum. Cambridge, MA: MIT Press.* Freeman, W. J. 2000. ''How Brains Make Up Their Minds''. New York: Columbia University Press.* Freeman, W. J. y C. A. Skarda. 1987. “How Brains Make Chaos in Order to Make Sense of the World”. ''Behavioral and Brain Sciences'' 10: 161–195.* van Gelder, T. 1995. “What Might Cognition Be if not Computation?” ''Journal of Philosophy'' 92: 345–381.* Gutzwiller, M. C. 1992. “Quantum Chaos”. ''Scientific American'' 266 (January): 78–84.* <nowiki>Hadamard, J. [1922] ~~</nowiki>~~1952. ''Lectures on Cauchy's Problem in Linear Partial Differential Equations''. New York: Dover.* Hilborn, R. C. 1994. ''Chaos and Nonlinear Dynamics: An Introduction for Scientists and Engineers'', Oxford: Oxford University Press.* Hobbs, J. (1991). “Chaos and Indeterminism”. ''Canadian Journal of Philosophy'' 21: 141–164.* Hunt, B. R. y J. A. Yorke. 1993. “Maxwell on Chaos”. ''Nonlinear Science Today'' 3(1): 1–4.* Jensen, R. V. .1987. “Classical Chaos”. ''American Scientist'' 75 (March-April): 168–181. * Jensen, R. V. 1992. “Quantum Chaos”. ''Nature'' 355: 311–318.* Jones, R. 1990. “Determinism in Deterministic Chaos”. En ''PSA ''1990, editado por A. Fine, M Forbes y L. Wessels, Volume 2, 537–549. East Lansing: Philosophy of Science Association.* Juarrero, A. 1999. ''Dynamics in Action: Intentional Behavior as a Complex System''. Cambridge, MA: MIT Press.* Judd, K. y L. Smith. 2001. “Indistinguishable States I: Perfect Model Scenario”. ''Physica D ''151: 125–141.* Judd, K. y L. Smith. 2004. “Indistinguishable States II: Imperfect Model Scenarios”. ''Physica D ''196: 224–242.* Kane, R. 1996. ''The Significance of Free Will''. Oxford: Oxford University Press.* Kaneko, K. y I. Tsuda. 2000. ''Complex Systems: Chaos and Beyond''. Berlin: Springer.* Kaneko, K., I. Tsuda y T. Ikegami (eds.). 1994. “Constructive Complexity and Artificial Reality: Proceedings of the Oji International Seminar on Complex Systems—from Complex Dynamical Systems to Sciences of Artificial Reality”. ''Physica D ''75: 1–448.* Kellert, S. 1993. ''In the Wake of Chaos''. Chicago University Press.* King, C. C. 1995. “Fractal Neurodynamics and Quantum Chaos: Resolving the Mind-Brain Paradox Through Novel Biophysics”. En ''Fractals of Brain, Fractals of Mind'', editado por MacCormack, E. y M. I. Stamenov. Amsterdam and Philadelphia: John Benjamins.* Koperski, J. 1998. “Models, Confirmation and Chaos”. ''Philosophy of Science'' 65: 624–648.* Koperski, J. 2001. “Has Chaos Been Explained?” ''British Journal for the Philosophy of Science'' 52: 683–700.* Kuhn, T. 1996. ''The Structure of Scientific Revolutions''. Chicago: University of Chicago Press, 3rd edition.* Laymon, R. 1989. “Cartwright and the Lying Laws of Physics”. ''Journal of Philosophy'' 86: 353–372.* Lehnertz, K., C. Elger, J. Arnhold y P. Grassberger (eds.). 2000. ''Chaos in Brain?'': Proceedings of the Workshop. Singapore: World Scientific. * Lorenz, E. N. 1963. “Deterministic Nonperiodic Flow”. ''Journal of Atmospheric Science'' 20: 131–40.* Lorenz, E. N. 1965. “A Study of the Predictability of a 28-Variable Atmospheric Model”. ''Tellus'', 17: 321–33. * Mar, G. y G. Patrick. 1991. “Pattern and Chaos: New Images in the Semantics of Paradox”. ''Noûs'' 25: 659–693.* <nowiki>Maxwell, J. C. [1876] 1992.~~</nowiki>~~ ''Matter and Motion'', New York: Dover.* May, R. M. 1976. “Simple Mathematical Models with very Complicated Dynamics”. ''Nature'' 261: 459–467.* Oseledec, V. I. 1969. “A multiplicative ergodic theorem. Lyapunov characteristic numbers for dynamical systems”. ''Transactions of the Moscow Mathematical Society'' 19: 197–232.* Ott, E. 2002. ''Chaos in Dynamical Systems'', Cambridge: Cambridge University Press, 2ª edición. * Packard, N. H., J. P. Crutchfield, J. D. Farmer y R. S. Shaw. 1980. “Geometry from a Time Series”. ''Physical Review Letters'' 45: 712–716.* Penrose, R. 1991. ''The Emperor's New Mind: Concerning Computers, Minds, and the Laws of Physics''. New York: Penguin Books. * Penrose, R. 1994. ''Shadows of the Mind''. Oxford: Oxford University Press.* Penrose, R. 1997. ''The Large, the Small and the Human Mind''. Cambridge: Cambridge University Press.* Poincaré, H. 1913. ''The Foundations of Science: Science and Method''. Lancaster: The Science Press.* Polkinghorne, J. 1988. ''Science & Creation: The Search for Understanding''. London: Society forPromoting Christian Knowledge.* Polkinghorne, J. 1989. ''Science and Providence: God's Interaction with the World''. Boston: Shambhala Publications.* Polkinghorne, J. 1991. ''Reason and Reality: The Relationship between Science and Theology'', Valley Forge, PA: Trinity Press.* Port, R. y T. van Gelder (eds.). 1995. ''Mind as Motion''. Cambridge, MA: MIT Press.* Redhead, M. G. L. 1980. “Models in Physics”. ''British Journal for the Philosophy of Science'', 31: 145–163.* Robinson, C. 1995. ''Dynamical Systems: Stability, Symbol Dynamics and Chaos''. London: CRC Press.* Rueger, A. y D. Sharp. (1996). “Simple Theories of a Messy World: Truth and Explanatory Power in Nonlinear Dynamics”, ''British Journal for the Philosophy of Science'', 47: 93–112.* Ruhla, C. 1992. “Poincaré, or Deterministic Chaos (Sensitivity to Initial Conditions)”. En ''The Physics of Chance: From Blaise Pascal to Niels Bohr'', editado por C. Ruhla, traducido del francés al ingés por G. Barton. Oxford: Oxford University Press.* St. Denis, P. y G. Patrick. 1997. “Fractal Images of Formal Systems”. ''Journal of Philosophical Logic'' 26: 181–222.* Scott Kelso, J. A. 1995. ''Dynamical Patterns: The Self-Organization of Brain and Behavior'', Cambridge, MA: MIT Press.* Shaw, R. S. 1981. “Modeling Chaotic Systems”, En ''Chaos and Order in Nature'', 218–231. New York: Springer.* Shenker, O. 1994. “Fractal Geometry Is not the Geometry of Nature”, ''Studies in the History and Philosophy of Modern Physics'', 25: 147–82.* Sklar, L. 1995. ''Physics and Chance: Philosophical Issues in the Foundations of Statistical Mechanics''. Cambridge: Cambridge University Press.* Smart, J. 1963, ''Philosophy and Scientific Realism''. New York: The Humanities Press. * Smith, L. A. 1992. “Identification and Prediction of Low Dimensional Dynamics”, ''Physica D'', 58: 50–76.* Smith, L. A. 2000. “Disentangling Uncertainty and Error: On the Predictability of Nonlinear Systems”. En ''Nonlinear Dynamics and Statistics'', editado por A. Mees, 31-64. Boston: Birkhauser.* Smith, L. A. 2003. “Predictability Past Predictability Present”. En ''Seminar on Predictability of Weather and Climate'' pp. 219–242]C. Reading, UK: ECMWF Proceedings.* Smith, L. A. 2007. ''Chaos: A Very Short Introduction''. Oxford: Oxford University Press.* Smith, L. A., C. Ziehmann, C. y Fraedrich, K. 1999. “Uncertainty Dynamics and Predictability in Chaotic Systems”. ''Quarterly Journal of the Royal Meteorological Society'' 125: 2855–86.* Smith, P. 1998. ''Explaining Chaos''. Cambridge: Cambridge University Press.* Stapp, H. 1993. ''Mind, Matter, and Quantum Mechanics''. Berlin: Springer.* Stone, M. A. 1989. “Chaos, Prediction and Laplacian Determinism”. ''American Philosophical Quarterly'' 26: 123–31.* Takens, F. 1981. “Detecting Strange Attractors in Turbulence”. En ''Lecture Notes in Mathematics'', editado por D. Rand Y L.-S. Young, Vol. 898, 366-381. Berlin: Springer.* Thompson, P. D. 1957. “Uncertainty of Initial State as a Factor in the Predictability of Large Scale Atmospheric Flow Patterns”. ''Tellus'' 9: 275–295.* Tsuda, I. 2001. “Towards an Interpretation of Dynamic Neural Activity in Terms of Chaotic Dynamical Systems”. ''Behavioral and Brain Sciences'' 24: 793–847.* Vandervert, L. (ed.). 1997. ''Understanding Tomorrow's Mind: Advances in Chaos Theory, Quantum Theory, and Consciousness in Psychology'', New York: ''Journal of Mind and Behavior'', Volume 18, Numbers 2-3.* Worrall, J. 1994. “How to Remain (Reasonably) Optimistic: Scientific Realism and the ‘Luminiferous Ether’”. En ''PSA ''1994, editado por D. Hull y M Forbes, Vol. 1, 334-344. East Lansing: Philosophy of Science Association.* Wimsatt, W. C. 1987. “False Models as Means to Truer Theories”. En ''Neutral Models in Biology'', editado por M. Nitecki y A. Hoffmann, 3-55. New York: Oxford University Press.* Zheng, Z., B. Misra y H. Atmanspacher. 2003. “Observer- Dependence of Chaos Under Lorentz and Rindler Transformations”. ''International Journal of Theoretical Physics'' 42: 869–878. * Ziehmann, C., L. A. Smith y J. Kurths. 2000. “Localized Lyapunov Exponents and the Prediction of Predictability”. ''Physics Letters A'' 271: 237–51.

{{Citar|url =http://dia.austral.edu.ar/Caos|cabecera =~~Notas~~Bishop, Robert. 2016. "Caos"}} ==Derechos de autor == Voz "Caos", traducción autorizada de la entrada "[http://plato.stanford.edu/archives/fall2009/entries/chaos/ Chaos]" de la ''Stanford Encyclopedia of Philosophy (SEP)'' © 2016. La traducción corresponde a la entrada de los archivos de la SEP, la que puede diferir de la versión actual por haber sido actualizada desde el momento de la traducción. La versión actual está disponible en http://plato.stanford.edu/entries/chaos/ El DIA agradece a SEP la autorización para efectuar y publicar la presente traducción.

1Traducción a cargo de Alan Heiblum. ~~Diversos autores utilizan los términos ‘crecimiento geométrico’ y ‘crecimiento exponencial’~~ DERECHOS RESERVADOS Diccionario Interdisciplinar Austral © Instituto de ~~manera diferente a la definida aquí~~Filosofía - Universidad Austral - Claudia E.Vanney - 2016.

~~2. Algunos autores defienden caracterizar el caos en término de las nociones provenientes de la teoría ergódica. Para cierta discusión y referencias ver (Sklar 1995, 235~~ISSN: 2524-~~40; Berkovitz, Frigg y Kronz 2006).~~941X

3. Existe un problema adicional: muchos de los mapas en los estudios del caos (e.g. la transformación de Baker) tienen orígenes puramente matemáticos en lugar de ser derivados desde algunos modelos más complejos del sistema de interés. Es difícil ver qué tipo de conexión se supone que estos mapas tienen con el espacio de posibilidades de los sistemas reales.

4. En tanto exista cierta incertidumbre en la información inicial de un sistema de estudio, incluso el resultado del modelo fiel divergirá del comportamiento del sistema de estudio. Esto se debe a cualquier incertidumbre en la determinación de las condiciones iniciales verdaderas conduce a la divergencia del comportamiento del modelo respecto del comportamiento del sistema; y no hay manera de reducir esta incertidumbre a cero (e.g. Bishop 2003).

~~5. Para interiorizarse sobre las dificultades de maridar los espacios de fases clásicos y cuánticos, ver (Bishop y Kronz 1999, 135-136).~~

6. Los parámetros de control son variables particulares u otras propiedades de un sistema –e.g. temperatura, voltaje, flujo–, que pueden modificarse de una determinada manera para poder observar cómo el sistema se comporta cuando el parámetro varía. Estos parámetros hacen referencia a los aspectos estructurales del sistema en cuestión, así como los cambios en temperatura reflejan la energía inyectada en el sistema.

~~7. Obsérvese que la objeción de Smart presupone la identidad mente-cerebro.~~

~~8. Muchos autores han concluido que Prigogine y sus colaboradores estaban argumentando que las trayectorias no existían, pero esto no es el caso. El asunto es un tanto técnico y el grupo~~ [[Categoría:Filosofía de ~~Bruselas-Austin ha sido notoriamente poco claro es sus escritos sobre este punto (ver Bishop 2004).~~la física]]

Admin

Autores, Editores, Burócratas, Administradores

2249

ediciones

DIA β

Cambios

Caos

DIA ^β