Nästan alla verkligt spännande system är sådana som är långt borta från jämvikt - som stjärnor, planetariska atmosfärer, och till och med digitala kretsar. Men, tills nu, system långt från termisk jämvikt kunde inte analyseras med konventionell termodynamik och statistisk fysik.

När fysiker först utforskade termodynamik och statistisk fysik under 1800 -talet, och genom 1900 -talet, de fokuserade på att analysera fysiska system som är vid eller nära jämvikt. Konventionell termodynamik och statistisk fysik har också fokuserat på makroskopiska system, som innehåller få, om någon, uttryckligen utmärkta delsystem.

I en artikel publicerad i tidningen Fysiska granskningsbrev , SFI -professor David Wolpert presenterar en ny hybridformalism för att övervinna alla dessa begränsningar.

Lyckligtvis, vid millennieskiftet, "en formalism som nu kallas ingen -jämvikt statistisk fysik utvecklades, "säger Wolpert." Det gäller system som godtyckligt ligger långt ifrån jämvikt och av vilken storlek som helst. "

Ingen jämvikt statistisk fysik är så kraftfull att den har löst ett av de djupaste mysterierna om tidens natur:hur utvecklas entropin inom en mellanliggande regim? Detta är utrymmet mellan den makroskopiska världen, där termodynamikens andra lag säger att den alltid måste öka, och den mikroskopiska världen där den aldrig kan förändras.

Vi vet nu att det bara är den förväntade entropin i ett system som inte kan minska med tiden. "Det finns alltid en icke-noll sannolikhet för att ett visst urval av dynamiken i ett system kommer att resultera i minskande entropi-och sannolikheten för krympande entropi växer när systemet blir mindre, " han säger.

Samtidigt som denna revolution inom statistisk fysik inträffade, stora framsteg med så kallade grafiska modeller gjordes inom maskininlärningssamhället.

Särskilt, formalismen för Bayesianska nätverk utvecklades, som tillhandahåller en metod för att specificera system med många delsystem som interagerar sannolikt med varandra. Bayes -nät kan användas för att formellt beskriva den synkrona utvecklingen av elementen i en digital krets - fullt ut redogöra för brus inom den utvecklingen.

Wolpert kombinerade dessa framsteg till en hybridformalism, vilket gör det möjligt för honom att utforska termodynamik i system utanför jämvikt som har många uttryckligt utmärkta delsystem som samverkar enligt ett Bayes-nät.

Som ett exempel på kraften i denna nya formalism, Wolpert härledde resultat som visar sambandet mellan tre mängder av intresse för att studera nanoskala system som biologiska celler:den statistiska precisionen för godtyckligt definierad ström inom delsystemet (till exempel sannolikheten att strömmarna skiljer sig från deras genomsnittliga värden), värmen som genereras genom att köra det totala Bayes -nätet som består av dessa delsystem, och den grafiska strukturen för det Bayes -nätet.

"Nu kan vi börja analysera hur termodynamiken i system som sträcker sig från celler till digitala kretsar beror på nätverksstrukturerna som förbinder undersystemen i dessa system, säger Wolpert.