Основы системно-синергетической теории информации и универсальный информационный вариационный принцип развития систем

Изложены основы объединенной системно-синергетической теории информации, значительно превосходящей по концепциям и практическому применению классические подходы. Эта теория — результат формального синтеза двух передовых российских научных школ: синергетической теории, которая описывает информацию через призму динамических процессов самоорганизации, и системной теории, определяющей информацию через структурно-иерархические и эмерджентные свойства систем. В отличие от классической теории, которая рассматривает информацию как меру разнообразия в множестве несвязанных элементов, предложенный подход вводит понятие «системы», где ключевую роль играют взаимосвязи между элементами. Это позволяет количественно измерять такие ранее сугубо качественные понятия, как сложность и эмерджентность. Основным результатом теории является формулировка универсального информационного вариационного принципа, который постулирует, что развитие любых открытых систем — от физических и биологических до экономических и социальных — происходит таким образом, чтобы максимизировать скорость приращения информации. Этот принцип предлагается рассматривать как одну из ключевых закономерностей эволюции, определяющих направление развития систем в сторону усложнения и упорядочивания. Теория предлагает конкретную метрику для измерения системности и сложности, такую как коэффициент эмерджентности, который показывает, во сколько раз информационная емкость системы превышает информационную емкость простого набора ее элементов. В данной работе предложен подход к преодолению ряда ограничений классической теории информации и сформулирована плодотворная программа для будущих исследований, понимания и моделирования сложных систем, описан единый механизм для широкого спектра явлений. Практические применения теории включают разработку новых методов анализа больших данных, создание более адаптивных и самообучающихся систем искусственного интеллекта, а также прогнозирование развития рынков и социальных сетей. Таким образом, предложенная теория закладывает основы для создания единой науки о сложности, объединяя мнения ученых из различных областей.

1. Lutsenko E. V. On the possibility of combining systemic and synergetic information theories / Polythem. Online Electron. Sci. J. Kuban State Agrar. Univ. 2025. No. 212. P. 227 – 237. DOI: 10.21515/1990-4665-212-019

2. Vyatkin V. B. A synergetic theory of information / Information. 2019. Vol. 10. P. 142. DOI: 10.3390/info10040142

3. Xin G., Fan P., Letaief K. B. Semantic communication: entropy and bottleneck perspectives / Entropy. 2024. Vol. 26. No. 2. P. 102. DOI: 10.3390/e26020102

4. Lu C. A semantic generalization of Shannon’s information theory and applications / Entropy. 2025. Vol. 27. No. 5. P. 461. DOI: 10.3390/e27050461

5. Fitousi D. Information-theoretic measures of metacognitive efficiency: empirical validation with the face matching task / Entropy. 2025. Vol. 27. No. 4. P. 353. DOI: 10.3390/e27040353

6. Zhang P., Liu Y., Song Y., Zhang J. Advances and challenges in semantic communications / Natl. Sci. Open. 2024. Vol. 3. 20230029. DOI: 10.1360/nso/20230029

7. Murphy C., Thibeault V., Allard A., Desrosiers P. Information-theoretic reconstruction framework for complex systems / Nat. Comm. 2024. Vol. 15. 4478. DOI: 10.1038/s41467-024-48020-x

8. Lindgren K. Information theory for complex systems: an information perspective on complexity in dynamical systems and statistical mechanics. — Springer, 2024. DOI: 10.1007/978-3-662-68214-2

9. Wang Z., Janowicz K., Mai G., Majic I. Probing the information theoretical roots of spatial dependence measures / COSIT 2024, LIPIcs. 2024. Vol. 9. DOI: 10.4230/lipics.cosit.2024.9

10. Wang H., Song C., Gao P. Complexity and entropy of natural patterns / PNAS Nexus. 2024. Vol. 3. No. 10. P. 417. DOI: 10.1093/pnasnexus/pgae417

11. Paul S., Chowdhury A. R., Gangopadhyay S. Information theoretic measures for lifshitz system / J. High Energy Phys. 2024. No. 10. 33. DOI: 10.1007/jhep10(2024)033

12. Suriano M., Caram L. F., Caiafa C., et al. Information theory quantifiers in cryptocurrency time series analysis / Entropy. 2025. Vol. 27. No. 4. P. 450. DOI: 10.3390/e27040450

13. Dayan P. Metacognitive information theory / Open Mind. 2023. DOI: 10.1162/opmi_a_00091

14. Ortiz-Muñoz A. Homotopical entropy: a mathematical generalization / arXiv. 2025. 2501. 10672. DOI: 10.48550/arxiv.2501.10672

15. Ataei M., Wang X. Derangetropy in probability distributions and information dynamics / arXiv. 2024. 2409. 15301. DOI: 10.48550/arxiv.2409.15301

16. Barbarossa S., Comminiello D., Grassucci E., et al. Semantic communications based on adaptive generative models and information bottleneck / IEEE Comm. Mag. 2023. Vol. 61. No. 11. P. 36 – 41. DOI: 10.1109/mcom.005.2200829

17. Ma S., Zhang C., Qi H., et al. A theory for semantic channel coding with many-to-one source / IEEE Trans. Cognitive Comm. Networking. 2025. DOI: 10.1109/tccn.2025.3544275

18. Yang W., Du H., Liew Z. Q., et al. Semantic communications for future internet: fundamentals, applications, and challenges / IEEE Comm. Surveys Tutorials. 2023. Vol. 25. No. 1. P. 213 – 250. DOI: 10.1109/comst.2022.3223224

19. Cea I., Signorelli C. M. How to be an integrated information theorist without losing your body / Frontiers Comput. Neurosci. 2025. Vol. 18. 1510066. DOI: 10.3389/fncom.2024.1510066

20. Varley T. F. Information theory for complex systems scientists: what, why, and how / Phys. Rep. 2026. Vol. 1102. P. 1 – 55. DOI: 10.1016/j.physrep.2025.11.002

21. Mann S. F. The relevance of communication theory for theories of representation / Philos. Mind Sci. 2023. Vol. 4. 32. DOI: 10.33735/phimisci.2023.10992