Hierarchical Autocatalytic Systems as a Bridge between Maximum Entropy Production and Bayesian Posterior Contraction: A Numerical Study with Stochastic-Thermodynamic Bounds

Resumen Técnico: Sistemas Autocatalíticos Jerárquicos como un Puente entre la Producción Máxima de Entropía y la Contracción de la Posterior Bayesiana

Planteamiento del Problema
El artículo aborda la base termodinámica de la vida intentando unificar tres marcos teóricos distintos: (1) el Principio de Producción Máxima de Entropía (MEPP) y la adaptación disipativa, que sugieren que la vida maximiza la exportación de entropía para mantener el orden interno; (2) la termodinámica estocástica, que proporciona límites universales como la Relación de Incertidumbre Termodinámica (TUR) y el Límite de Velocidad Termodinámica (TSL) para corrientes fuera del equilibrio; y (3) la analogía formal entre la autoorganización biológica y la inferencia bayesiana (específicamente el entrenamiento de modelos de difusión). Aunque trabajos previos han explorado estos conceptos de forma individual o en parejas, existe una falta de modelos numéricos concretos que demuestren simultáneamente la emergencia del orden genético (negentropía), el costo de la producción de entropía y la eficiencia de estos procesos en relación con los límites termodinámicos fundamentales.

Metodología
Los autores construyen y analizan un modelo de difusión-reacción autocatalítico jerárquico implementado en NumPy y PyTorch. El sistema consta de tres capas:

1. Moléculas puras ($a_i$): Entradas ambientales (ej. CO2, agua).
2. Proteínas catalíticas ($p_l$): Poblaciones intermedias.
3. Polímeros grandes ("genes" $W^{(k)}_p$): Estructuras de alta dimensión que codifican la información de plegamiento.

La dinámica está gobernada por un tensor de estequiometría de acción de masa $Coef_{ijk}$, donde las tasas de reacción son moduladas por la "actividad de estabilidad de plegamiento" de los polímeros más grandes, definida como $pal = \tanh(\beta W_{l,:,k} p_p - \theta_l)$. Para asegurar que el sistema permanezca genuinamente fuera del equilibrio, se rompe la acción de masa estricta mediante un término de ruido $\epsilon$.

El estudio procede a través de cuatro variantes iterativas del modelo ($v1 \to v4$):

• v1 y v2: Intentos iniciales que fallaron al no poder sostener un estado estacionario no equilibrio (NESS) no trivial o exhibieron un decaimiento monotónico.
• v3 (Modelo Jerárquico): Una versión ajustable donde los parámetros (ej. $\beta$, $\gamma$, $\epsilon$, tasas de decaimiento) son optimizados usando el Estimador de Parzen Estructurado en Árbol (TPE) de Optuna para encontrar una "isla de supervivencia" donde el sistema sostiene el crecimiento y la diversidad genética.
• v4 (Replicador Mínimo): Un modelo colapsado, similar al de la corrección cinética de errores de un solo ciclo, diseñado para probar si las ineficiencias observadas en el modelo jerárquico son estructurales o dependientes del tamaño.

Las métricas clave computadas incluyen la producción de entropía total ($\sigma$), la entropía de Shannon genética ($S_{gene}$) derivada de una proyección de cadena de símbolos del tensor de plegamiento, y los límites de TUR y TSL sobre las tasas de crecimiento y evolución.

Contribuciones Clave y Resultados

1. Validación del Patrón de Schrödinger:
   El modelo jerárquico (v3) exhibe espontáneamente la coocurrencia de un aumento en la producción de entropía ambiental ($\sigma_{env} \uparrow$) y una disminución en la entropía genética ($S_{gene} \downarrow$). El sistema exporta aproximadamente 589 nats de entropía ambiental por cada 1 nat de orden genético generado. Esto confirma cuantitativamente el argumento de la adaptación impulsada por MEPP, mostrando que la generación de orden conlleva un costo termodinámico significativo.

2. Holgura Estructural de los Límites Termodinámicos:
   A pesar de sostener un estado estacionario fuera del equilibrio, el modelo jerárquico opera lejos de la optimalidad termodinámica.

   • El producto TUR (varianza de la corriente normalizada por la media al cuadrado y la producción de entropía) es $10^4$ a $10^5$ veces mayor que el límite inferior universal de 2.
   • La relación TSL es $10^6$ a $10^8$ veces mayor que su límite de 1.
   • Escalar el tamaño del sistema ($N, M, L$) de $(4,3,3)$ a $(32,8,3)$ no estrecha estos límites; la holgura es estructural, derivada de la agregación de corrientes a través de múltiples ciclos acoplados y bucles de retroalimentación distribuidos que suprimen la varianza sin reducir la producción de entropía.

3. Recuperación de Regímenes Experimentales mediante el Minimalismo:
   Cuando la jerarquía se colapsa en el replicador mínimo de un solo ciclo (v4), el producto TUR cae a $\sim 5$, coincidiendo con el régimen observado experimentalmente en el ribosoma de E. coli (que opera aproximadamente 5 veces por encima del límite). Esto sugiere que, si bien la complejidad biológica (jerarquía) es necesaria para la generalidad, inherentemente sacrifica la eficiencia termodinámica.

4. Analogía con el Entrenamiento de Modelos de Difusión:
   Los autores establecen una correspondencia formal entre el sistema autocatalítico y el entrenamiento de modelos de difusión:

   • Flujo de moléculas puras $\leftrightarrow$ Flujo de información de datos.
   • Actividad de plegamiento ($\tanh$) $\leftrightarrow$ Red de puntuación (score network).
   • Ruido de replicación $\leftrightarrow$ Ruido de difusión hacia adelante.
   • Contracción de la entropía genética ($S_{gene} \downarrow$) $\leftrightarrow$ Contracción de la posterior ($H[q(\theta|D)] \downarrow$).
     El artículo postula que las células biológicas, al igual como las redes neuronales sobreparametrizadas, operan en un régimen "perezoso" donde están lejos de la optimalidad termodinámica (o de información) para preservar la capacidad de evolución y generalización.

Significancia y Reivindicaciones
El artículo afirma proporcionar un "puente numérico" que conecta el MEPP, la termodinámica estocástica y la inferencia bayesiana. Su significancia principal radica en demostrar que:

• El compromiso (trade-off) entre la generalidad biológica (estructura jerárquica) y la eficiencia termodinámica es agudo e inevitable dentro de esta clase de modelos.
• El "desperdicio" de los sistemas biológicos (operar $10^5$ veces por encima del límite TUR) no es un error de diseño, sino una consecuencia estructural de la arquitectura de múltiples ciclos y bucles de retroalimentación necesarios para la adaptación compleja.
• Esta ineficiencia termodinámica es paralela al comportamiento de los sistemas modernos de aprendizaje profundo, sugiriendo un principio universal donde los sistemas priorizan la adaptabilidad y la generalización sobre la saturación estricta de los límites.

Los autores declaran explícitamente que sus resultados son consistentes con afirmaciones recientes (ej. Kolchinsky [12]) de que no existe una relación replicador-disipación universal para sistemas complejos, y alinean los hallazgos de su modelo mínimo con las mediciones experimentales de la eficiencia de la polimerasa y el ribosoma (Piñeros et al. [16]). El estudio no propone nuevos protocolos experimentales, sino que ofrece un marco teórico para interpretar los datos biológicos existentes y los fenómenos de aprendizaje automático a través de la lente de la termodinámica estocástica.