Стохастическая устойчивость иерархической модели: влияние флуктуаций инсоляции и редких катастроф

1. Введение

Детерминистическая версия иерархической модели «AGN → звёздный диск → планета–климат–океан → биосфера» выявила существование области параметров (так называемого «острова обитаемости»), в которой биосфера может достигать высокого уровня развития [1]. Однако реальные системы подвержены флуктуациям внешних условий и редким катастрофическим событиям, способным нарушить климатическую стабильность и уничтожить развитую биосферу. Для оценки устойчивости предсказаний детерминистической модели необходимо ввести стохастические элементы.

В данном разделе мы расширяем модель, добавляя:

• стохастическую динамику инсоляции ${\lambda }_3(t)$λ3​(t) в виде процесса Орнштейна–Уленбека (OU), имитирующего колебания орбитальных параметров и солнечной активности;
• редкие катастрофические события на уровнях $M_3$M3​ (планета–климат) и $M_4$M4​ (биосфера), моделируемые пуассоновскими потоками с мгновенным изменением переменных состояния.

Такая постановка позволяет количественно оценить, насколько случайные возмущения сужают или смещают область обитаемости, и даёт вероятностные характеристики (например, вероятность достижения биосферой высокого уровня) как функцию параметров галактики и планеты.

2. Стохастическая инсоляция ${\lambda }_3(t)$λ3​(t)

В детерминистической модели ${\lambda }_3$λ3​ – внешний параметр, отражающий эффективную инсоляцию (включая парниковый эффект). В реальности инсоляция флуктуирует из‑за изменений орбиты, вариаций светимости звезды и т.п. Для описания таких флуктуаций используется процесс Орнштейна–Уленбека (OU), который характеризуется возвратом к среднему значению ${\lambda }_3^{\text{ср}}$λ3ср​ и гауссовским шумом:$$d{\lambda }_3=\theta ({\lambda }_3^{\text{ср}}-{\lambda }_3)dt+\sigma d{W}_t,$$dλ3​=θ(λ3ср​−λ3​)dt+σdWt​,

где:

• $\theta$θ – скорость возврата к среднему (обратное время корреляции),
• $\sigma$σ – амплитуда шума,
• $d{W}_t$dWt​ – дифференциал винеровского процесса.

В численной реализации используется дискретная аппроксимация:$${\lambda }_3(t+\mathrm{\Delta }t)={\lambda }_3(t)+\theta ({\lambda }_3^{\text{ср}}-{\lambda }_3(t))\mathrm{\Delta }t+\sigma \sqrt{\mathrm{\Delta }t}\xi ,\xi \sim \mathcal{N}(0,1),$$λ3​(t+Δt)=λ3​(t)+θ(λ3ср​−λ3​(t))Δt+σΔt​ξ,ξ∼N(0,1),

с последующим ограничением ${\lambda }_3$λ3​ в физическом диапазоне $[{\lambda }_3^{\min },{\lambda }_3^{\max }]$[λ3min​,λ3max​].

3. Редкие катастрофы: пуассоновские события

Катастрофические события (крупные астероидные удары, суперизвержения вулканов, гамма-всплески) моделируются как независимые пуассоновские потоки с постоянными интенсивностями ${\nu }_{M3}$νM3​ и ${\nu }_{M4}$νM4​ для уровней $M_3$M3​ и $M_4$M4​. Вероятность наступления хотя бы одного события за малый интервал $\mathrm{\Delta }t$Δt равна $\nu \mathrm{\Delta }t$νΔt (для малых $\mathrm{\Delta }t$Δt).

3.1. Катастрофы на уровне $M_3$M3​ (океан/климат)

При наступлении события оперативная память $G_3$G3​ (характеризующая развитость океана) мгновенно уменьшается в $c_{G3}$cG3​ раз, а температура $T_3$T3​ получает отрицательный сдвиг $\mathrm{\Delta }{T}_3$ΔT3​:$$G_3\leftarrow c_{G3}{G}_3,T_3\leftarrow T_3+\mathrm{\Delta }{T}_3,$$G3​←cG3​G3​,T3​←T3​+ΔT3​,

где $0<c_{G3}<1$0<cG3​<1, $\mathrm{\Delta }{T}_3<0$ΔT3​<0. Переменные затем обрезаются до интервала $[0,1]$[0,1]. Такое мгновенное изменение имитирует, например, удар, вызывающий временное похолодание и сокращение океанической поверхности.

3.2. Катастрофы на уровне $M_4$M4​ (биосфера)

Массовые вымирания моделируются как резкое падение биосферной памяти $G_4$G4​ (уровня биомассы/кислорода) и одновременное увеличение метапамяти $H_4$H4​:$$G_4\leftarrow c_{G4}{G}_4,H_4\leftarrow H_4+\mathrm{\Delta }{H}_4,$$G4​←cG4​G4​,H4​←H4​+ΔH4​,

где $0<c_{G4}<1$0<cG4​<1, $\mathrm{\Delta }{H}_4>0$ΔH4​>0. Рост $H_4$H4​ отражает необратимые изменения среды (например, окисление мантии, истощение ресурсов), которые снижают максимально возможный уровень биосферы в будущем через $G_{4,\max }(H_4)$G4,max​(H4​).

4. Алгоритм интегрирования стохастической системы

Численное решение стохастической системы выполняется с фиксированным шагом $\mathrm{\Delta }t$Δt. На каждом шаге:

1. Генерируется новое значение ${\lambda }_3$λ3​ по OU‑процессу.
2. Вычисляется детерминистическое приращение всех переменных (используется метод Рунге–Кутты 4‑го порядка или схема Эйлера).
3. С вероятностями $p_{M3}={\nu }_{M3}\mathrm{\Delta }t$pM3​=νM3​Δt и $p_{M4}={\nu }_{M4}\mathrm{\Delta }t$pM4​=νM4​Δt реализуются катастрофы на соответствующих уровнях, мгновенно модифицируя состояние.
4. Состояние сохраняется, и процесс повторяется.

Программная реализация на Python доступна в репозитории [ссылка]. Код включает dataclass для параметров катастроф, генерацию OU‑процесса и основную функцию симуляции simulate_stochastic_full_once, которая возвращает временные ряды и интегральные метрики.

5. Метрики и вероятностный анализ

Для каждой стохастической траектории вычисляются интегральные характеристики:

• $G_{4,\max }$G4,max​ – максимальное значение биосферной памяти за всё время эволюции;
• $f_{\text{mature}}$fmature​ – доля времени, в течение которой $G_4$G4​ превышает порог (например, 0.2);
• $\int G_{4}dt$∫G4​dt – интегральная биологическая активность.

На их основе строится индекс обитаемости, например:$$I_{\text{hab}}=G_{4,\max }\cdot f_{\text{mature}}\mathrm{.}$$Ihab​=G4,max​⋅fmature​.

По ансамблю из $N$N траекторий оцениваются:

• вероятность обитаемости $P_{\text{hab}}$Phab​ – доля траекторий, для которых $I_{\text{hab}}\ge I_{\text{thr}}$Ihab​≥Ithr​;
• среднее и стандартное отклонение $I_{\text{hab}}$Ihab​.

Эти величины могут быть построены как функции средних параметров $({\lambda }_1,{\lambda }_3)$(λ1​,λ3​) и уровней шума $\sigma$σ, ${\nu }_{M3}$νM3​, ${\nu }_{M4}$νM4​. Такие карты позволяют наглядно увидеть, насколько случайные возмущения сужают «остров обитаемости», предсказанный детерминистической моделью.

6. Качественные результаты и обсуждение

Предварительные численные эксперименты с разумными параметрами показывают:

• При малых уровнях шума ($\sigma \ll 1$σ≪1) и редких катастрофах ($\nu \sim {10}^{-3}$ν∼10−3) «остров обитаемости» сохраняется, но его границы становятся размытыми, а максимальная вероятность обитаемости снижается с $\approx 0.95$≈0.95 до $\approx 0.7$≈0.7.
• С ростом $\sigma$σ и $\nu$ν область высокой $P_{\text{hab}}$Phab​ сужается, а для больших интенсивностей катастроф ($\nu \gtrsim 0.01$ν≳0.01) биосфера редко достигает высокого уровня даже в оптимальной области.
• Эффект асимметричен: катастрофы на уровне $M_3$M3​ влияют сильнее, так как они напрямую разрушают океан (базу для биосферы), тогда как катастрофы на уровне $M_4$M4​ действуют только после того, как биосфера уже возникла.

Таким образом, стохастическая версия модели позволяет количественно оценить, как случайные факторы уменьшают вероятность возникновения сложной биосферы. Это даёт более реалистичные предсказания для астробиологии и гипотез типа парадокса Ферми: даже при благоприятных средних параметрах галактики и планеты, редкие катастрофы могут существенно ограничивать распространённость развитой жизни.

7. Заключение

Введение OU‑шума в инсоляцию и пуассоновских катастроф в климатический и биосферный узлы превращает детерминистическую иерархическую модель в мощный инструмент для оценки устойчивости обитаемости. Предложенная стохастическая схема сохраняет общую структуру $G\mathrm{/}H$G/H и может быть легко расширена на другие параметры (флуктуации ${\lambda }_1$λ1​, ${\lambda }_2$λ2​ или более сложные модели катастроф). Дальнейшие исследования включают калибровку интенсивностей событий по палеоданным Земли и статистический анализ распределения $I_{\text{hab}}$Ihab​ для различных типов галактик и планет.