🔬 condensed matter

Free-Energy Differences from Nonequilibrium Fluctuations in High Dissipation

L'article introduit EquiNET, une méthode qui exploite les fluctuations répétées des trajectoires pour estimer avec précision les différences d'énergie libre dans les régimes de forte dissipation où les théorèmes de fluctuation conventionnels échouent en raison de la rareté statistique des événements de production d'entropie négative.

Auteurs originaux : Sreekanth K Manikandan, Giovanni Volpe

Publié 2026-08-25

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Sreekanth K Manikandan, Giovanni Volpe

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Dans le monde microscopique des atomes et des molécules, l'énergie n'est jamais immobile. Même lorsqu'un système semble calme, ses particules s'agitent constamment, poussées par la chaleur de leur environnement. Les scientifiques cherchent depuis longtemps un moyen de cartographier les paysages énergétiques cachés qui dictent le comportement de ces minuscules systèmes, comme la façon dont une protéine se replie pour adopter sa forme fonctionnelle ou la manière dont une réaction chimique se déroule. La hauteur des collines et la profondeur des vallées dans ces paysages déterminent la stabilité et la vitesse, mais les mesurer directement est notoirement difficile. Pendant des décennies, les chercheurs se sont appuyés sur un contournement ingénieux : ils tirent une molécule hors de son état de repos et mesurent l'effort nécessaire pour le faire. En répétant ce processus des milliers de fois et en faisant la moyenne des résultats, ils peuvent théoriquement déduire la différence d'énergie entre le point de départ et le point d'arrivée. Cependant, cette méthode se heurte à un mur lorsque le processus est désordonné ou rapide. Dans ces scénarios de haute dissipation, les mathématiques exigent que le chercheur trouve des événements rares, presque impossibles, où le système semble rendre de l'énergie plutôt qu'en consommer. Ces événements sont si peu fréquents que rassembler suffisamment d'entre eux pour obtenir une réponse fiable prendrait plus de temps que l'âge de l'univers.

Une équipe de chercheurs de l'Université de Göteborg a trouvé un moyen de contourner ce goulot d'étranglement. Ils ont introduit une nouvelle technique, qu'ils appellent EquiNET, qui évite d'avoir à attendre ces événements rares et chanceux. Au lieu de chercher l'aiguille dans la botte de foin, leur méthode examine la forme de la botte de foin entière. En analysant les fluctuations subtiles de la manière dont une molécule se déplace lors d'une expérience de traction standard, l'équipe peut déduire la quantité totale d'énergie perdue par friction et par chaleur. Une fois qu'ils savent quelle quantité d'énergie a été gaspillée, ils peuvent soustraire cette perte du travail total effectué pour révéler la véritable différence d'énergie entre les deux états. Cette approche fonctionne même lorsque le processus est hautement irréversible et que les méthodes habituelles échouent complètement.

Les chercheurs ont testé leur idée d'abord sur un modèle simple, unidimensionnel, d'une particule se déplaçant à travers un paysage énergétique changeant. Dans cette simulation, ils ont conduit une particule d'une position stable à une autre, créant un scénario où les chemins directs et inverses étaient si différents qu'ils ne se chevauchaient presque pas. Les méthodes standard auraient été incapables de trouver la connexion entre eux. Pourtant, EquiNET a réussi à reconstruire la différence d'énergie en apprenant uniquement des données de trajectoire. Elle n'avait pas besoin des rares événements de mouvement inverse ; elle a simplement appris les règles du mouvement à partir des mouvements directs communs. Les résultats correspondaient parfaitement aux valeurs théoriques connues, prouvant que la méthode pouvait extraire le paysage énergétique caché du bruit des mouvements ordinaires.

Pour voir si cela tiendrait la route dans un cadre plus complexe et réaliste, l'équipe a appliqué EquiNET à un modèle de tige de polymère (hairpin), une structure qui imite la façon dont un brin d'ADN ou une protéine se replie. Ils ont simulé le processus de traction mécanique de cette tige, brisant les liaisons qui la maintiennent ensemble, puis la laissant se refermer brusquement. Ils ont fait varier la force des liaisons pour créer des scénarios allant de modérés à extrêmement difficiles, où la perte d'énergie était massive. Dans les cas les plus difficiles, les expériences directes et inverses produisaient des ensembles de résultats complètement différents sans aucun chevauchement, rendant les outils statistiques traditionnels inutilisables. EquiNET, cependant, a prospéré dans ce chaos. En entraînant un programme informatique spécialisé sur les trajectoires empruntées par la tige, le système a appris à prédire la perte d'énergie à chaque instant du processus. Lorsqu'ils ont combiné cette perte prédite avec le travail mesuré, la différence d'énergie calculée était exacte, même si les données provenaient d'un régime où les approches conventionnelles auraient abandonné.

L'un des aspects les plus pratiques de cette découverte est qu'elle fonctionne même lorsque les scientifiques ne peuvent pas voir l'image complète. Dans les expériences du monde réel, il est souvent impossible de suivre chaque atome d'une molécule ; les chercheurs ne voient généralement que quelques points clés, tels que les extrémités d'un brin ou des points marqués spécifiques. L'équipe a montré qu'EquiNET peut toujours fonctionner avec cette vue limitée. Lorsqu'ils ont alimenté le système uniquement avec les coordonnées de quelques billes de la tige, celui-ci ne pouvait pas déterminer la différence d'énergie exacte, mais pouvait fournir une limite mathématique stricte. Il leur indiquait que la véritable différence d'énergie devait être inférieure à une certaine valeur. Cette limite était étonnamment serrée, restant très proche de la valeur réelle, ce qui suggère que même avec des informations partielles, les scientifiques peuvent obtenir des informations fiables sur la stabilité des structures biologiques complexes.

Les chercheurs ont également étudié la quantité de données nécessaires pour rendre ces prédictions précises. Ils ont constaté que la méthode converge rapidement ; dans leurs simulations, ils n'avaient besoin que d'environ mille trajectoires pour récupérer une grande partie de la perte d'énergie réelle. C'est une amélioration significative par rapport aux anciennes méthodes, qui pourraient nécessiter des millions ou des milliards de tentatives pour trouver les quelques événements rares dont elles dépendent. L'équipe a également découvert un moyen de vérifier si leur expérience était assez longue. En observant le taux de perte d'énergie à la fin de la simulation, ils pouvaient dire si la molécule s'était véritablement stabilisée dans un état calme. Si le taux de perte d'énergie ne tombait pas à zéro, cela signifiait que la molécule était encore en train de se relaxer, et que la fenêtre d'observation devait être prolongée. Cela fournit un outil de diagnostic intégré pour les expérimentateurs afin de savoir s'ils ont recueilli suffisamment d'informations.

En fin de compte, ce travail offre une nouvelle voie pour comprendre l'énergie des mécanismes de la vie. En déplaçant l'attention des événements rares et improbables vers les fluctuations communes et quotidiennes d'un système, EquiNET permet aux chercheurs de mesurer les paysages énergétiques dans des conditions qui étaient auparavant trop désordonnées pour être analysées. Qu'il s'agisse d'étudier le repliement des protéines, la liaison des médicaments aux cibles ou la réponse de matériaux synthétiques à la contrainte, cette technique offre un moyen robuste de voir l'énergie invisible qui les anime. Elle transforme le problème de la haute dissipation, autrefois une impasse, en un puzzle soluble, en utilisant le bruit même qui rendait la mesure impossible.

Résumé Technique : EquiNET pour l'estimation de l'énergie libre à partir des fluctuations hors équilibre

Énoncé du problème
Les différences d'énergie libre d'équilibre ( $\Delta F$ ) sont fondamentales pour comprendre la stabilité et la fonction des systèmes physiques et biologiques. Bien que les théorèmes de fluctuation, tels que l'égalité de Jarzynski et le théorème de Crooks, permettent théoriquement de reconstruire $\Delta F$ à partir des fluctuations de travail hors équilibre, ils se heurtent à une limite pratique critique dans les régimes de forte dissipation. La convergence de ces méthodes repose sur l'échantillonnage de trajectoires rares caractérisées par une production d'entropie négative ( $\Delta S_{tot} < 0$ ). Dans les systèmes fortement dissipatifs (où la production d'entropie moyenne dépasse quelques dizaines de $k_B T$ ), ces événements rares surviennent de manière exponentiellement peu fréquente, rendant les estimateurs conventionnels statistiquement inefficaces et nécessitant un nombre de trajectoires impractiquement élevé pour converger. De plus, la production d'entropie totale n'est généralement pas directement mesurable dans les expériences, car elle nécessite la connaissance de la fois de la dissipation thermique et des changements d'entropie du système, ce dernier dépendant de probabilités d'états microscopiques inaccessibles.

Méthodologie : EquiNET
Les auteurs introduisent EquiNET, une technique pilotée par les données qui infère les différences d'énergie libre d'équilibre en estimant directement la production d'entropie totale à partir des fluctuations de trajectoire, contournant ainsi le besoin d'échantillonnage d'événements rares. La méthode est fondée sur la relation d'incertitude thermodynamique (TUR) à court terme, qui exprime le taux de production d'entropie instantané, $\sigma(t)$ , comme la solution d'un problème d'optimisation variationnelle :
$\sigma(t) = \frac{1}{dt} \max_{\mathbf{d}} \left[ \frac{2k_B \langle J_{\mathbf{d}} \rangle^2}{\text{Var}(J_{\mathbf{d}})} \right]$
où $J_{\mathbf{d}}$ est un courant stochastique pondéré défini via le produit de Stratonovich. Cette formulation repose uniquement sur les deux premiers cumulants (moyenne et variance) du courant, évitant ainsi les statistiques d'ordre supérieur et les moyennes exponentielles requises par les théorèmes de fluctuation.

Pour résoudre cette optimisation pour des systèmes complexes et de grande dimension, les auteurs emploient un réseau de neurones sur graphe equivariant à $E(3)$ et conditionné par le temps (EGNN).

Architecture : Le système (par exemple, un polymère) est représenté comme un graphe où les nœuds correspondent aux billes et les arêtes encodent les interactions (squelette, contacts natifs). Le réseau prend en entrée les coordonnées des billes et le temps, et produit un champ de vecteurs $\mathbf{d}(\mathbf{x}, t)$ qui approxime le champ de force thermodynamique.
Entraînement : Les paramètres du réseau sont optimisés de bout en bout en maximisant l'objectif variationnel dans l'équation de la TUR en utilisant les données de trajectoire.
Inférence : Une fois entraîné, le réseau fournit le taux de production d'entropie instantané $\sigma(t)$ . L'intégration de $\sigma(t)$ sur la durée du protocole fournit la production d'entropie totale $\langle \Delta S_{tot} \rangle$ .
Calcul de l'énergie libre : La différence d'énergie libre d'équilibre est ensuite récupérée en utilisant la relation $\Delta F = \langle W \rangle - T\langle \Delta S_{tot} \rangle$ , où $\langle W \rangle$ est le travail moyen mesuré.

Le cadre s'étend naturellement aux observations partielles (lorsque seul un sous-ensemble de degrés de liberté est mesuré). Dans ces cas, la production d'entropie inférée fournit une borne inférieure rigoureuse sur la véritable production d'entropie, fournissant une borne rigoureuse correspondante sur $\Delta F$ .

Résultats clés et validation
Les auteurs valident EquiNET via des simulations numériques dans deux régimes distincts :

Système 1D analytiquement traitable : Une particule pilotée entre deux états d'équilibre par un potentiel dépendant du temps.
- Dans ce cas, l'optimisation variationnelle admet une solution analytique exacte utilisant une base polynomiale.
- Les résultats montrent qu'EquiNET récupère avec précision la différence d'énergie libre d'équilibre même lorsque les distributions de travail directe et inverse sont complètement séparées (pas de recouvrement), un régime où le théorème de Crooks échoue avec les données disponibles.
Modèle de boucle de polymère (Hairpin) : Un système biomoléculaire de grande dimension subissant un déploiement induit par une force.
- Les simulations ont été réalisées avec des forces de contact natif ( $\epsilon$ ) variables, créant des régimes de dissipation modérée à forte où les distributions de travail direct et inverse ne présentaient aucun recouvrement, même avec $10^5$ trajectoires.
- Observation complète : En utilisant les coordonnées de toutes les billes, EquiNET a récupéré des valeurs de $\Delta F$ en excellent accord avec une référence de vérité terrain obtenue par des simulations de traction lente (où les distributions se chevauchent).
- Observation partielle : Lorsqu'il est entraîné uniquement sur les coordonnées $x$ d'un sous-ensemble de billes (imitant les limitations expérimentales comme les pinces optiques ou le FRET), EquiNET a fourni des bornes supérieures rigoureuses sur $\Delta F$ qui restaient très proches des valeurs réelles.
- Convergence : La méthode converge rapidement ; environ $10^3$ trajectoires ont suffi pour récupérer une grande fraction de la véritable production d'entropie dans le processus direct, surpassant de manière significative les exigences de données des approches basées sur les théorèmes de fluctuation.

Signification et revendications
L'article affirme qu'EquiNET offre une alternative scalable et efficace aux théorèmes de fluctuation pour estimer les différences d'énergie libre dans les régimes fortement dissipatifs. En déplaçant l'attention des événements rares de production d'entropie négative vers l'inférence de la production d'entropie moyenne via des statistiques d'ordre inférieur, la méthode évite l'inefficacité exponentielle des données qui frappe les techniques actuelles.

Les auteurs soulignent que, bien que la méthode nécessite la connaissance du réseau d'interaction pour construire le réseau de neurones sur graphe, elle ne nécessite pas d'accès direct à la chaleur ou aux probabilités d'états microscopiques complètes. Le cadre est présenté comme un outil général pour analyser des systèmes de grande dimension, tels que des biomolécules complexes, et est particulièrement précieux lorsque l'accès expérimental est limité à des observables partielles, fournissant des bornes rigoureuses là où des estimations exactes seraient autrement impossibles à obtenir. Ce travail établit un pont entre la thermodynamique stochastique et l'apprentissage automatique informé par la physique, démontant que les fluctuations de trajectoire contiennent suffisamment d'informations pour reconstruire les propriétés d'équilibre sans dépendre de l'hypothèse de l'« événement rare ».

Articles similaires