🔬 condensed matter

Free-Energy Differences from Nonequilibrium Fluctuations in High Dissipation

El artículo introduce EquiNET, un método que aprovecha las fluctuaciones repetidas de la trayectoria para estimar con precisión las diferencias de energía libre en regímenes de alta disipación donde los teoremas de fluctuación convencionales fallan debido a la rareza estadística de los eventos de producción de entropía negativa.

Autores originales: Sreekanth K Manikandan, Giovanni Volpe

Publicado 2026-08-25

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Sreekanth K Manikandan, Giovanni Volpe

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

En el mundo microscópico de los átomos y las moléculas, la energía nunca está quieta. Incluso cuando un sistema parece tranquilo, sus partículas están en constante agitación, impulsadas por el calor de su entorno. Los científicos han buscado durante mucho tiempo una forma de mapear los paisajes de energía ocultos que dictan cómo se comportan estos sistemas diminutos, como por ejemplo cómo una proteína se pliega para alcanzar su forma funcional o cómo procede una reacción química. La altura de las colinas y la profundidad de los valles en estos paisajes determinan la estabilidad y la velocidad, pero medirlos directamente es notoriamente difícil. Durante décadas, los investigadores han recurrido a un ingenioso truco: extraen una molécula de su estado de reposo y miden el esfuerzo requerido para hacerlo. Al repetir este proceso miles de veces y promediar los resultados, pueden deducir teóricamente la diferencia de energía entre el punto de partida y el de llegada. Sin embargo, este método choca contra un muro cuando el proceso es desordenado o rápido. En estos escenarios de alta disipación, las matemáticas requieren que el investigador encuentre eventos raros, casi imposibles, donde el sistema parece devolver energía en lugar de consumirla. Estos eventos son tan infrecuentes que reunir suficientes de ellos para obtener una respuesta fiable tomaría más tiempo que la edad del universo.

Un equipo de investigadores de la Universidad de Gotemburgo ha encontrado una forma de sortear este cuello de botella. Introdujeron una nueva técnica, que llaman EquiNET, que evita la necesidad de esperar a estos eventos raros y afortunados. En lugar de buscar la aguja en el pajar, su método analiza la forma de todo el pajar. Al analizar las sutiles fluctuaciones en cómo se mueve una molécula durante un experimento de tracción estándar, el equipo puede inferir la cantidad total de energía perdida por la fricción y el calor. Una vez que saben cuánta energía se desperdició, pueden restar esa pérdida del trabajo total realizado para revelar la verdadera diferencia de energía entre los dos estados. Este enfoque funciona incluso cuando el proceso es altamente irreversible y los métodos habituales fallan por completo.

Los investigadores probaron su idea primero en un modelo simple unidimensional de una partícula moviéndose a través de un paisaje de energía cambiante. En esta simulación, impulsaron una partícula de una posición estable a otra, creando un escenario donde las trayectorias de ida y vuelta eran tan diferentes que apenas se solapaban. Los métodos estándar habrían sido incapaces de encontrar la conexión entre ellas. Sin embargo, EquiNET reconstruyó con éxito la diferencia de energía aprendiendo únicamente de los datos de la trayectoria. No necesitó los raros eventos de movimiento hacia atrás; simplemente aprendió las reglas del movimiento a partir de los movimientos hacia adelante comunes. Los resultados coincidieron perfectamente con los valores teóricos conocidos, demostrando que el método podía extraer el paisaje de energía oculto a partir del ruido del movimiento ordinario.

Para ver si esto se mantendría en un entorno más complejo y realista, el equipo aplicó EquiNET a un modelo de un horquilla polimérica (polymer hairpin), una estructura que imita cómo se pliega una hebra de ADN o una proteína. Simularon el proceso de tirar mecánicamente de esta horquilla para separarla, rompiendo los enlaces que la mantienen unida, y luego dejaron que volviera a su forma original. Variaron la fuerza de los enlaces para crear escenarios que iban desde leves hasta extremadamente difíciles, donde la pérdida de energía era masiva. En los casos más difíciles, los experimentos de ida y vuelta produjeron conjuntos de resultados completamente diferentes sin ningún solapamiento, dejando las herramientas estadísticas tradicionales inútiles. EquiNET, sin embargo, prosperó en este caos. Al entrenar un programa informático especializado con las trayectorias que tomó la horquilla, el sistema aprendió a predecir la pérdida de energía en cada momento del proceso. Cuando combinaron esta pérdida predicha con el trabajo medido, la diferencia de energía calculada fue precisa, a pesar de que los datos provenían de un régimen en el que los enfoques convencionales se habrían rendido.

Uno de los aspectos más prácticos de este descubrimiento es que funciona incluso cuando los científicos no pueden ver el panorama completo. En los experimentos del mundo real, a menudo es imposible rastrear cada átomo de una molécula; los investigadores suelen ver solo unos pocos puntos clave, como los extremos de una hebra o puntos específicos marcados. El equipo demostró que EquiNET aún puede funcionar con esta visión limitada. Cuando alimentaron al sistema solo con las coordenadas de unas pocas cuentas de la horquilla, no pudo determinar la diferencia de energía exacta, pero pudo proporcionar un límite matemático estricto. Les indicó que la verdadera diferencia de energía debía estar por debajo de cierto valor. Este límite era sorprendentemente ajustado, manteniéndose muy cerca del valor real, lo que sugiere que incluso con información parcial, los científicos pueden obtener información fiable sobre la estabilidad de estructuras biológicas complejas.

Los investigadores también investigaron cuánto dato se necesita para que estas predicciones sean precisas. Descubrieron que el método converge rápidamente; en sus simulaciones, solo necesitaron alrededor de mil trayectorias para recuperar una gran fracción de la pérdida de energía real. Esto representa una mejora significativa respecto a los métodos antiguos, que podrían requerir millones o miles de millones de intentos para encontrar los pocos eventos raros de los que dependen. El equipo también descubrió una forma de comprobar si su experimento era lo suficientemente largo. Al observar la tasa de pérdida de energía a medida que terminaba la simulación, podían saber si la molécula se había asentado realmente en un estado de calma. Si la tasa de pérdida de energía no descendía a cero, significaba que la molécula todavía se estaba relajando, y que la ventana de observación debía extenderse. Esto proporciona una herramienta de diagnóstico integrada para que los experimentales sepan cuándo han reunido suficiente información.

En última instancia, este trabajo ofrece un nuevo camino para comprender la energía de la maquinaria de la vida. Al cambiar el enfoque de los eventos raros e improbables hacia las fluctuaciones comunes y cotidianas de un sistema, EquiNET permite a los investigadores medir paisajes de energía en condiciones que antes eran demasiado desordenadas para ser analizadas. Ya sea estudiando cómo se pliegan las proteínas, cómo los fármacos se unen a sus objetivos o cómo los materiales sintéticos responden al estrés, esta técnica proporciona una forma robusta de ver la energía invisible que los impulsa. Convierte el problema de la alta disipación de un callejón sin salida en un rompecabezas soluble, utilizando el mismo ruido que una vez hizo imposible la medición.

Resumen Técnico: EquiNET para la Estimación de Energía Libre a partir de Fluctuaciones de No Equilibrio

Planteamiento del Problema
Las diferencias de energía libre en equilibrio ( $\Delta F$ ) son fundamentales para comprender la estabilidad y la función de los sistemas físicos y biológicos. Aunque los teoremas de fluctuación, como la igualdad de Jarzynski y el teorema de fluctuación de Crooks, permiten teóricamente la reconstrucción de $\Delta F$ a partir de las fluctuaciones de trabajo de no equilibrio, enfrentan una limitación práctica crítica en regímenes de alta disipación. La convergencia de estos métodos depende del muestreo de trayectorias raras caracterizadas por una producción de entropía negativa ( $\Delta S_{tot} < 0$ ). En sistemas fuertemente disipativos (donde la producción de entropía promedio excede unas pocas decenas de $k_B T$ ), estos eventos raros ocurren con una frecuencia exponencialmente baja, lo que hace que los estimadores convencionales sean estadísticamente ineficientes y requiera un número imprácticamente grande de trayectorias para converger. Además, la producción de entropía total generalmente no es medible directamente en experimentos, ya que requiere el conocimiento tanto de la disipación de calor como de los cambios de entropía del sistema, este último de los cuales depende de probabilidades de estados microscópicos inaccesibles.

Metodología: EquiNET
Los autores introducen EquiNET, una técnica basada en datos que infiere las diferencias de energía libre en equilibrio estimando directamente la producción de entropía total a partir de las fluctuaciones de las trayectorias, evitando la necesidad de un muestreo de eventos raros. El método se fundamenta en la Relación de Incertidumbre Termodinámica (TUR) de tiempo corto, que expresa la tasa de producción de entropía instantánea, $\sigma(t)$ , como la solución de un problema de optimización variacional:
$\sigma(t) = \frac{1}{dt} \max_{\mathbf{d}} \left[ \frac{2k_B \langle J_{\mathbf{d}} \rangle^2}{\text{Var}(J_{\mathbf{d}})} \right]$
donde $J_{\mathbf{d}}$ es una corriente estocástica ponderada definida mediante el producto de Stratonovich. Esta formulación depende únicamente de los dos primeros momentos cumulantes (media y varianza) de la corriente, evitando las estadísticas de orden superior y los promedios exponenciales requeridos por los teoremas de fluctuación.

Para resolver esta optimización en sistemas complejos y de alta dimensionalidad, los autores emplean una red neuronal de grafos equivariante al grupo $E(3)$ (EGNN) condicionada en el tiempo.

Arquitectura: El sistema (por ejemplo, un polímero) se representa como un grafo donde los nodos corresponden a las cuentas (beads) y las aristas codifican las interacciones (esqueleto, contactos nativos). La red toma las coordenadas de las cuentas y el tiempo como entrada, produciendo un campo vectorial $\mathbf{d}(\mathbf{x}, t)$ que aproxima el campo de fuerza termodinámica.
Entrenamiento: Los parámetros de la red se optimizan de extremo a extremo maximizando el objetivo variacional en la ecuación de la TUR utilizando datos de trayectoria.
Inferencia: Una vez entrenada, la red proporciona la tasa de producción de entropía instantánea $\sigma(t)$ . Integrar $\sigma(t)$ sobre la duración del protocolo proporciona la producción de entropía total $\langle \Delta S_{tot} \rangle$ .
Cálculo de Energía Libre: La diferencia de energía libre en equilibrio se recupera entonces mediante la relación $\Delta F = \langle W \rangle - T\langle \Delta S_{tot} \rangle$ , donde $\langle W \rangle$ es el trabajo promedio medido.

El marco se extiende naturalmente a las observaciones parciales (donde solo se mide un subconjunto de los grados de libertad). En tales casos, la producción de entropía inferida proporciona un límite inferior riguroso de la verdadera producción de entropía, proporcionando un límite correspondiente riguroso sobre $\Delta F$ .

Resultados Clave y Validación
Los autores validan EquiNET mediante simulaciones numéricas en dos regímenes distintos:

Sistema 1D Analíticamente Tratable: Una partícula impulsada entre dos estados de equilibrio mediante un potencial dependiente del tiempo.
- En este caso, la optimización variacional admite una solución analítica exacta utilizando una base polinómica.
- Los resultados muestran que EquiNET recupera con precisión la diferencia de energía libre en equilibrio incluso cuando las distribuciones de trabajo directo e inverso están completamente separadas (sin solapamiento), un régimen donde el teorema de Crooks falla con los datos disponibles.
Modelo de Hairpin de Polímero: Un sistema biomolecular de alta dimensionalidad que experimenta el desplegamiento inducido por fuerza.
- Las simulaciones se realizaron con diversas fuerzas de contacto nativo ( $\epsilon$ ), creando regímenes de disipación moderada a fuerte donde las distribuciones de trabajo directo e inverso no mostraban solapamiento incluso con $10^5$ trayectorias.
- Observación Completa: Utilizando las coordenadas de todas las cuentas, EquiNET recuperó valores de $\Delta F$ en excelente acuerdo con una referencia de verdad de campo obtenida mediante simulaciones de tracción lenta (donde las distribuciones sí se solapan).
- Observación Parcial: Al ser entrenada solo con las coordenadas $x$ de un subconjunto de cuentas (imitando limitaciones experimentales como pinzas ópticas o FRET), EquiNET proporcionó límites superiores rigurosos sobre $\Delta F$ que permanecieron muy cerca de los valores reales.
- Convergencia: El método converge rápidamente; aproximadamente $10^3$ trayectorias fueron suficientes para recuperar una gran fracción de la verdadera producción de entropía en el proceso directo, superando significativamente los requisitos de datos de los enfoques basados en teoremas de fluctuación.

Significancia y Reivindicaciones
El artículo afirma que EquiNET ofrece una alternativa escalable y eficiente a los teoremas de fluctuación para estimar las diferencias de energía libre en regímenes fuertemente disipativos. Al desplazar el enfoque de los eventos raros de entropía negativa hacia la inferencia de la producción de entropía promedio a través de estadísticas de orden inferior, el método evita la ineficiencia de datos exponencial que afecta a las técnicas actuales.

Los autores enfatizan que, si bien el método requiere el conocimiento de la red de interacción para construir la red neuronal de grafos, no requiere acceso directo al calor ni a las probabilidades de estado microscópico completas. El marco se presenta como una herramienta general para analizar sistemas de alta dimensionalidad, como biomoléculas complejas, y es particularmente valioso cuando el acceso experimental se limita a observables parciales, proporcionando límites rigurosos donde los estimaciones exactas de otro modo serían inalcanzables. El trabajo establece un puente entre la termodinámica estocástica y el aprendizaje automático informado por la física, demostando que las fluctuaciones de las trayectorias contienen información suficiente para reconstruir propiedades de equilibrio sin depender de la suposición de "evento raro".

Más como este