プリセット
パラメータ
速度・表示
投影モード
操作
カオス領域：軌道は決して同じ経路を繰り返さず、2本は指数的に乖離します。
バタフライアトラクター（2軌道の乖離）
3Dモード時：ドラッグで視点回転 ｜ スクロール/ピンチでズーム ｜ Spaceキーで再生/停止
軌道A（x₀=0.1…）
軌道B（x₀ + 10⁻⁵）
現在位置
微小な初期差が指数的に拡大： 2本の軌道は差Δx₀=10⁻⁵だけずらして出発します。最初は完全に重なって1本に見えますが、Δはおよそ e^{λt}（λ≈0.906）で増大し、やがて蝶の別々の羽へ分かれます。これが「決定論的なのに予測不能＝カオス」です。
理論・主要公式
$$\frac{dx}{dt}= \sigma(y - x)$$
$$\frac{dy}{dt}= x(\rho - z) - y$$
$$\frac{dz}{dt} = xy - \beta z$$
古典パラメータ σ=10, ρ=28, β=8/3。隔たりは $\Delta(t)\approx\Delta_0\,e^{\lambda t}$ で増大し、最大リャプノフ指数は $\lambda\approx 0.906$。$\lambda>0$ がカオスの定量的な証拠です。
数値積分: ルンゲ・クッタ4次 (RK4, dt = 0.005)
ローレンツアトラクターとカオスとは
🙋
ローレンツアトラクターって何ですか？「バタフライ効果」と関係あるって聞いたけど。
🎓
大まかに言うと、3つの簡単な方程式から生まれる、とてつもなく複雑な動きを描く軌跡だよ。初期のほんの少しの違いが、時間とともに巨大な差になる「バタフライ効果」を視覚化した、カオス理論の象徴なんだ。上のシミュレーターでは、最初から2本の軌道を描いている。差はたった10⁻⁵——ほぼ同じ点から出発しているから、最初は完全に重なって1本に見える。でも時間が経つと、青と赤がスルスルと離れていって、ついには蝶の別々の羽に分かれてしまう。それが「バタフライ効果」そのものさ。
🙋
え、そうなんですか！でも、σやρってパラメータを変えると、どうなるんですか？
🎓
これが面白いところで、パラメータで世界が一変するんだ。例えば、デフォルトのρ=28を、スライダーで24.74より小さく（例えば「定常」や「周期解」プリセット）してみて。カオスな蝶が消えて、軌道が静かに固定点へ収束するでしょう？ ρは浮力の強さを表すレイリー数で、実務では加熱条件を変えることに相当する。ある閾値（ρ≈24.74）を超えると流れが乱流（カオス）になる、その転移点をこの式は捉えているんだ。上の「λ（最大リャプノフ指数）」の数字に注目してね。カオスではλ>0、収束する領域ではλ≤0になるよ。
🙋
なるほど！でも、こんな抽象的な式が、実際のCAEの役に立つんですか？
🎓
大いにあるよ！このシミュレーターが使っている「RK4（ルンゲ・クッタ4次）」という数値積分法は、自動車の衝突シミュレーションや飛行機のフラッター解析など、実際のCAEソフトで時間発展を計算する基礎技術なんだ。また、乱流の不規則な振る舞いの背後には、ローレンツ方程式と数学的に似たカオス構造がある。パラメータを動かして挙動を観察することは、非線形現象への直感的な理解に繋がるんだ。
よくある質問
ρ（レイリー数）を大きくするとカオス状態になりやすく、小さくすると周期解や固定点に収束します。σ（プラントル数）は軌道の安定性、β（アスペクト比）は解の形状に影響します。リアルタイム操作で変化を観察してください。上部のレジーム表示とλの値が、カオス／収束のどちらかを定量的に教えてくれます。
初期値がわずか10⁻⁵だけ異なる2本の軌道を同時に表示することで、バタフライ効果（初期条件鋭敏性）を視覚的に体験できます。カオス状態では、最初はほぼ完全に重なっていても、隔たりΔが指数関数的（Δ≈Δ₀e^{λt}）に拡大し、やがて別々の羽に分かれる様子が観察できます。
カオス状態では軌道が特定の領域内を不規則に動き続け、決して同じ経路を繰り返しません（λ>0）。一方、固定点や周期解では2本の軌道は離れず、隔たりΔは増えません（λ≤0）。ρを24.74より小さくすると、カオスから収束への相転移を観察できます。
パラメータによっては解が不安定になり、数値計算が発散することがあります。特にρが極端に大きい場合や、時間刻み幅が適切でない場合に発生します。その場合はパラメータを初期値（σ=10, ρ=28, β=8/3）に戻して再試行してください。
実世界での応用
気象・気候予測： ローレンツがこの方程式を研究したきっかけそのものです。大気の流れは本質的にカオス的であり、長期予測の根本的な限界（バタフライ効果）を示しました。現在の数値気象予報の基礎理論となっています。
乱流の研究（CFD）： パイプ内の流れや翼周りの剥離流など、乱流現象には複雑な秩序（コヒーレント構造）があります。ローレンツ系のような低次元カオスは、乱流の背後にある決定論的メカニズムを理解するための入り口として研究されます。
非線形振動子・回路設計： 電気回路や機械システムにおいて、特定の非線形性を持つとローレンツ系と同様のカオス振動が現れます。これを応用した秘匿通信や、逆にカオスを抑制する制御技術の研究が進められています。
CAEにおける数値解析技術： このシミュレーターの核心であるRK4法は、自動車のサスペンション振動、建物の地震応答、機械部品の疲労寿命予測など、幅広い時間依存現象のシミュレーションで実際に使われるアルゴリズムの基礎です。
よくある誤解と注意点
まず、「カオス＝ランダム」ではないという点を押さえよう。ローレンツアトラクターの軌道は、一見でたらめに見えても、決まった方程式から完全に決定論的に生まれている。初期値が同じなら、毎回全く同じ軌道を描くんだ。この「決定論的カオス」の概念は、実務でも重要だ。例えば、同じ条件でCFDシミュレーションを2回走らせて微妙に違う結果が出た場合、それは「カオスだから仕方ない」のではなく、メッシュのわずかな違いや数値誤差が原因かもしれない、と疑う視点が必要になる。
次に、パラメータ設定の「安全地帯」と「危険地帯」を知っておこう。デフォルト値（σ=10, ρ=28, β=8/3）はカオスが顕著に出る黄金パラメータだが、例えばρを大きくしすぎると（例えば40以上）、軌道が発散して計算が破綻することがある。これは実務の非線形解析でも同じで、材料モデルのパラメータを極端な値にすると、ソルバーが収束せずにエラーで止まってしまう。まずはデフォルト値で動かし、少しずつ（例えばρを1や2刻みで）変化させて挙動を見るのがコツだ。
最後に、このシミュレーターは「可視化ツール」であって「設計ツール」ではないと理解すること。実務のCAEでは、ローレンツ方程式そのものを解くことは稀だが、そこで使われているRK4などの数値積分法や、カオス的な振る舞いを理解する「感覚」が非常に役立つ。例えば、自動車のサスペンションの非線形振動で、初期条件のわずかな差（乗員の体重配置など）が、長時間走行後の各部品の疲労寿命に大きなばらつきを生む現象を考察する際の基礎体力になるんだ。
