¿Cómo es investigar en la teoría del caos?

La pregunta es difícil de responder. La expresión ‘hacer investigación’ en un campo con subclasificaciones ‘aplicadas’ y ‘teóricas’ junto con interpretaciones / implicaciones en múltiples disciplinas científicas (dinámica de la ingeniería, criptografía, teoría de las comunicaciones, sistemas complejos, …) deja una amplia gama de respuestas subjetivas. La naturaleza cualitativa de la pregunta exacta que será objeto de investigación en la teoría del caos determina las herramientas, las técnicas, el enfoque y las experiencias.

Vengo del lado aplicado de las cosas. Entonces, en la escuela de posgrado (MS) trabajé exclusivamente con teoría aplicada y pasé la mayor parte de mi tiempo programando, modelando y simulando el caos en sistemas físicos (microscopía de fuerza). Esto significó principalmente ejecutar simulaciones PDE numéricas multidimensionales codificadas a mano computacionalmente intensivas, verificar las normas de error y convergencia, realizar análisis de sensibilidad en los resultados y luego escribir algoritmos para verificar la presencia de sub e hiperestructuras en el espacio de fase paramétrico resultante. Hubo otro aspecto mecánico teórico del problema en el que trabajé, que terminó convirtiéndose en el núcleo de mi tesis, pero no tenía nada que ver con la dinámica no lineal.

En el aspecto experimental, he visto a un montón de personas simulando cosas desde huellas de fracturas, fragmentación de explosiones y patrones de llamas hasta crecimiento de tejidos, patrones de migración, estabilidad ecológica utilizando sistemas basados ​​en reglas y basados ​​en flujo para compararlos con datos experimentales cualitativos. Algunos colaboradores de una gran compañía de aviones aéreos estaban interesados ​​en cosas como controlar la vibración / vibración de la herramienta, identificar y mitigar la inestabilidad del aleteo en aviones de ala fija (hopf bifurc.), El AFRL o NRL estaba trabajando en la dinámica del impacto asociado al daño de las balas metálicas en metal platos. Por lo tanto, puede ser divertido, y un campo muy visual para estar. (También. Fractales).

Tenga en cuenta que, al igual que cualquier tema de investigación matemática / teórica, los títulos de doctorado generalmente requieren mucho tiempo (pasa mucho tiempo validando / descartando hipótesis y determinando / definiendo métricas). Además, a menos que su investigación tenga aplicaciones inmediatas fuera de la investigación o se le ocurra un pub Nature / PNAS, tanto la industria como la academia ofrecen perspectivas sombrías (a menos que elija enfocarse en esa parte de ‘programación’ de su experiencia).

Dicho esto, las personas con teoría de la información y experiencia en pronósticos no lineales pueden convertirse en cuarentenas en los bancos de inversión / fondos de cobertura. (George Sugihara / UCSD / Scripps era un MD en Deutsche Bank. DE Shaw, rey de los cuantos, utiliza los mismos enfoques de pronóstico no lineal, información mutua y sistemas complejos para el comercio de alta frecuencia).

lleno de caos