🔬 physics

In-vivo entropy production of A. subaru

यह शोध पत्र मैक्रोस्कोपिक जीव *A. subaru* पर एंट्रॉपी उत्पादन अनुमान उपकरणों को लागू करता है, जो यह प्रकट करता है कि जबकि एंट्रॉपी उत्पादन ऊर्जा खपत के लिए एक निचली सीमा प्रदान करता है, यह लगभग 25 परिमाणों (orders of magnitude) से कम रह जाता है, एक खोज जिसे अपरिवर्तनीयता विधियों के सर्वेक्षण और एक नवीन kNN अनुमानक द्वारा समर्थित किया गया है।

मूल लेखक: Yu Fu, Emmy Dobson, Benjamin B. Machta, Michael C. Abbott

प्रकाशित 2026-04-02

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yu Fu, Emmy Dobson, Benjamin B. Machta, Michael C. Abbott

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप किसी जीवित चीज़ की फिल्म देख रहे हैं। यदि आप इसे आगे की ओर चलाते हैं, तो यह सामान्य दिखती है। यदि आप इसे पीछे की ओर चलाते हैं, तो यह हास्यास्पद लगती है (जैसे एक टूटे हुए अंडे का वापस जुड़ना या किसी व्यक्ति का कमरे में पीछे की ओर चलते हुए आना)। वह "हास्यास्पदता" ही वह है जिसे भौतिक विज्ञानी अनियतता (irreversibility) कहते हैं।

भौतिक विज्ञान की दुनिया में, अनियतता इस बात का संकेत है कि कोई प्रणाली जीवित रहने और चलने के लिए ऊर्जा का उपयोग कर रही है। एक प्रणाली जितनी अधिक ऊर्जा जलाती है, ब्रह्मांड उतना ही अधिक "अव्यवस्थित" (या एंट्रोपिक) होता जाता है। आमतौर पर, वैज्ञानिक यह मापने की कोशिश करते हैं कि एक सूक्ष्म जैविक मशीन (जैसे एक एकल कोशिका या प्रोटीन) कितनी ऊर्जा जला रही है, इसके लिए वे देखते हैं कि उसकी गतिविधियाँ कितनी "पीछे की ओर हास्यास्पद" हैं। वे यह मान लेते हैं: यदि यह बहुत अधिक अनियत (irreversible) दिखती है, तो इसने बहुत अधिक ईंधन जलाया होगा।

बड़ा प्रयोग: सुबारू टेस्ट
इस शोध पत्र में, शोधकर्ताओं ने इस विचार का परीक्षण करने का निर्णय लिया कि क्या यह विचार किसी बड़ी चीज़ पर लागू होता है: एक कार पर। विशेष रूप से, एक सुबारू (जिसे वे मज़ाक में Automobilus subaru कहते हैं)।

कार क्यों?

यह जीवित जैसी है: यह चलती है, इसमें एक इंजन है, और यह ईंधन का उपभोग करती है।
हम सच्चाई जानते हैं: एक सूक्ष्म कोशिका के विपरीत जहाँ हमें अनुमान लगाना पड़ता है कि वह कितनी ऊर्जा का उपयोग कर रही है, हम जानते हैं कि एक सुबारू वास्तव में कितना गैस जलाती है। हम ईंधन टैंक और तय की गई मील को माप सकते हैं।
लक्ष्य: वे यह देखना चाहते थे कि क्या कार की गति की "पीछे की ओर हास्यास्पदता" सटीक रूप से यह बता सकती है कि वह कितना गैस जला रही है।

उपमा: धुआं और आग
एंट्रॉपी उत्पादन (अनियतता) को धुएं के रूप में और ऊर्जा खपत को आग के रूप में सोचें।

एक छोटे से कैंपफायर (अलाव) में, धुआं इस बात का एक अच्छा संकेत है कि वहाँ आग जल रही है।
शोधकर्ताओं ने पूछा: "यदि हम एक विशाल जंगल की आग (कार) से निकलता हुआ धुआं देखते हैं, तो क्या हम केवल धुएं को देखकर आग के आकार का अनुमान लगा सकते हैं?"

परिणाम: एक बड़ा अंतर
इसका उत्तर स्पष्ट रूप से नहीं था।

मापन: उन्होंने कई घंटों तक कार की गति और इंजन RPM (रिवोल्यूशन प्रति मिनट) को रिकॉर्ड किया। वे इन नंबरों को जटिल गणितीय सूत्रों के माध्यम से चलाए जो यह मापने के लिए डिज़ाइन किए गए थे कि कार की गति कितनी "अनियत" थी।
अनुमान: गणित ने कहा कि कार प्रति सेकंड लगभग 0.5 बिट्स की अनियतता उत्पन्न कर रही है।
वास्तविकता: जब उन्होंने कार द्वारा वास्तव में खर्च की गई ऊर्जा की गणना की (उसके माइलेज को देखकर), तो गणित ने कहा कि कार ऊर्जा को उस दर से जला रही है जो अनियतता के अनुमान से 25 परिमाण क्रम (orders of magnitude) अधिक है।

"25 परिमाण क्रम" का क्या अर्थ है?
कल्पना कीजिए कि एक रेत का कण है। अब कल्पना कीजिए कि रेत का एक पहाड़ है। उनके बीच का अंतर वही है।

"धुएं" (अनियतता) ने एक छोटी, टिमटिमाती मोमबत्ती का सुझाव दिया।
"आग" (वास्तविक ऊर्जा) एक भीषण भभका थी।

शोधकर्ताओं ने पाया कि सूक्ष्म जैविक प्रणालियों के लिए उपयोग किए जाने वाले मानक सूत्र इस मैक्रोस्कोपिक (विशाल) प्रणाली की ऊर्जा खपत को पकड़ने में पूरी तरह विफल रहे। यह अंतर विज्ञान में अब तक का सबसे बड़ा दर्ज किया गया अंतर था।

यह क्यों विफल हुआ? "MPG" बनाम "एंट्रॉपी" की समस्या
शोध पत्र एक जैविक रूपक का उपयोग करते हुए एक चतुर स्पष्टीकरण देता है:

कार का उद्देश्य: एक कार का इंजन हवा को रास्ते से हटाने और एक भारी धातु के डिब्बे को चलाने के लिए बनाया गया है। यह एक ज़ोर-ज़बरदस्ती वाला (brute-force) यंत्र है। यह गति पैदा करने के लिए ईंधन जलाता है, लेकिन उस गति का पैटर्न (स्पीडोमीटर का ऊपर-नीचे होना) आपको बहुत कुछ नहीं बताता कि कितना ईंधन जलाया जा रहा है। एक कार जो सुचारू रूप से चल रही है और एक कार जो अनियमित रूप से चल रही है, दोनों समान मात्रा में गैस जला सकती हैं, लेकिन "अनियतता" के मामले में वे बहुत अलग दिख सकती हैं।
जैविक सबक: प्रकृति में, विकास (evolution) दक्षता (जैसे माइल्स प्रति गैलन, या MPG) पर ध्यान देता है, न कि इस पर कि गति कितनी "पीछे की ओर हास्यास्पद" दिखती है।
- एक बैक्टीरिया की पूंछ (फ्लैगेलम) बैक्टीरिया को पानी के माध्यम से धकेलने के लिए घूमती है। विकास को इस बात की परवाह है कि वह बैक्टीरिया को चलाए, न कि इस बात की कि घूमना कितना "अनियत" दिखता है।
- शोधकर्ता तर्क देते हैं कि बड़े सिस्टम (जैसे कार, पक्षियों के झुंड, या ट्रैफ़िक) के लिए, जो "अनियतता" हम मापते हैं, वह केवल एक दुष्प्रभाव है। यह ऊर्जा खपत के लिए एक अच्छा थर्मामीटर नहीं है।

"नए उपकरण" साइड क्वेस्ट
चूंकि पुराना गणित ठीक से काम नहीं कर रहा था, इसलिए लेखकों ने इस "पीछे की ओर हास्यास्पदता" को मापने का एक नया तरीका बनाया जिसे kNN एस्टीमेटर कहा जाता है।

उपमा: कल्पना कीजिए कि आप लोगों के एक समूह की आकृति का अनुमान लगाने की कोशिश कर रहे हैं कि वे अपने पड़ोसियों के कितने करीब खड़े हैं। पुराना तरीका एक हेलीकॉप्टर से पूरे समूह को देखने और अनुमान लगाने जैसा था। नया तरीका ऐसा है जैसे आप भीड़ के बीच चल रहे हों और गिन रहे हों कि प्रत्येक व्यक्ति के 1-फुट के दायरे में कितने लोग खड़े हैं।
उन्होंने कार के डेटा पर कई अलग-अलग गणितीय "रूलर" (Gaussian, Markov chains, kNN) का परीक्षण किया। उन सभी ने अलग-अलग नंबर दिए, लेकिन उनमें से कोई भी वास्तविक ईंधन खपत के करीब नहीं पहुंचा।

निष्कर्ष
यह शोध पत्र वैज्ञानिकों के लिए एक विनोदी लेकिन गंभीर चेतावनी है:

यह मान न लें कि छोटी चीजों के नियम बड़ी चीजों पर लागू होते हैं। सिर्फ इसलिए कि एक सूत्र एक एकल प्रोटीन के लिए काम करता है, इसका मतलब यह नहीं है कि यह एक कार (या इंसान) के लिए भी काम करेगा।
अनियतता एक पूर्ण ऊर्जा मीटर नहीं है। जबकि यह साबित करता है कि कोई प्रणाली ऊर्जा का उपयोग कर रही है, यह आपको यह नहीं बताती कि वह कितनी है।
जीव विज्ञान कार्य (function) पर ध्यान देता है, भौतिक सांख्यिकी पर नहीं। एक कार (या कोशिका) इस बात की परवाह नहीं करती कि उसकी गतिविधियाँ सांख्यिकीय अर्थ में कितनी "ऊष्मागतिक रूप से कुशल" दिखती हैं; उसे बस काम पूरा करने की परवाह होती है।

संक्षेप में: कार ईंधन का एक पहाड़ जला रही थी, लेकिन "धुआं" जो उसने पैदा किया वह एक छोटी सी मोमबत्ती जैसा दिख रहा था। वैज्ञानिकों ने महसूस किया कि बड़े, जटिल सिस्टम के लिए, धुएं को देखना आग के आकार का अनुमान लगाने का एक बुरा तरीका है।

तकनीकी सारांश: A. subaru का इन-विवो एंट्रॉपी उत्पादन (In-vivo Entropy Production)

पेपर का विवरण:

शीर्षक: A. subaru का इन-विवो एंट्रॉपी उत्पादन
लेखक: यू फू, एमी डॉबसन, बेंजामिन बी. माचटा, और माइकल सी. एबॉट
संस्थान: येल यूनिवर्सिटी (फिजिक्स एंड क्वांटिटेटिव बायोलॉजी इंस्टीट्यूट)
तिथि: 1 अप्रैल, 2026
विषय: एक मैक्रोस्कोपिक जैविक प्रणाली (एक कार) पर गैर-संतुलन सांख्यिकीय भौतिकी (non-equilibrium statistical physics) का एक व्यंग्यात्मक फिर भी तकनीकी रूप से कठोर अनुप्रयोग।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र मोटे तौर पर संकलित (coarse-grained) अवलोकनात्मक डेटा का उपयोग करके एंट्रॉपी उत्पादन (अपरिवर्तनीयता, $\Sigma$ ) के अनुमान की चुनौती को संबोधित करता है। जैविक भौतिकी में, $\Sigma$ का उपयोग अक्सर ऊर्जा खपत ( $W$ ) के प्रॉक्सी के रूप में किया जाता है, जो इस असमानता ( $k_B T \Sigma \le W$ ) के माध्यम से होता है। जबकि यह निचला स्तर (lower bound) सूक्ष्म प्रणालियों (जैसे आणविक मोटर, न्यूरॉन्स) में अच्छी तरह से अध्ययन किया गया है, मैक्रोस्कोपिक प्रणालियों में इसके अनुप्रयोग पर कम चर्चा हुई है।

लेखक एक महत्वपूर्ण प्रश्न पूछते हैं: मोटे तौर पर संकलित डेटा से अनुमानित एंट्रॉपी उत्पादन और वास्तविक ऊष्मप्रवैगिकी ऊर्जा खपत के बीच का अंतर कितना बड़ा है? इसका उत्तर देने के लिए, वे एक "मॉडल जीव" (Automobilus subaru, एक कार) का चयन करते हैं जहाँ वास्तविक ऊर्जा खपत ( $W$ ) सटीक रूप से ज्ञात है, जिससे सांख्यिकीय अनुमानों के विरुद्ध सीधा तुलना संभव हो पाती है।

2. कार्यप्रणाली (Methodology)

यह अध्ययन एक बहुआयामी दृष्टिकोण अपनाता है, जिसमें विभिन्न सांख्यिकीय अनुमानकों (estimators) को एक ही डेटासेट पर लागू करके उनकी प्रभावकारिता और पूर्वाग्रह (bias) की तुलना की गई है।

डेटा स्रोत:
- प्रणाली: एक सुबारू वाहन (A. subaru) जो OBD-II पोर्ट से सुसज्जित है।
- अवलोकन योग्य (Observables): गति (Speed) और इंजन RPM, जिसे प्रत्येक ~140 ms पर 324 मिनट तक रिकॉर्ड किया गया है ( $N \approx 134,600$ बिंदु)।
- तापमान ( $T$ ): स्थिर (कूलेंट तापमान) माना गया है।
- ग्राउंड ट्रुथ ( $W$ ): ईंधन खपत डेटा (30 mpg @ 60 mph) से गणना की गई, जिससे लगभग $\approx 72$ kW ( $7 \times 10^4$ J/s) की थर्मल पावर प्राप्त हुई।
लागू किए गए सांख्यिकीय अनुमानक (Statistical Estimators):
लेखक एंट्रॉपी उत्पादन दर (EPR) का अनुमान लगाने के लिए कई विधियों को लागू करते हैं और तुलना करते हैं:
1. गौसियन मॉडल ( $\Sigma_{gauss}$ ): निरंतर गौसियन सांख्यिकी मानता है। यह फ्रीक्वेंसी स्पेस में कोवेरिएंस मैट्रिक्स $C(\omega)$ का उपयोग करता है।
2. डिस्क्रीट मार्कोव चेन ( $\Sigma_{discrete}$ ): डेटा को $k$ अवस्थाओं में क्लस्टर करता है (k-means का उपयोग करके) ताकि ट्रांजिशन फ्लक्स ( $J_{ij}$ ) और KL डाइवर्जेंस की गणना की जा सके।
3. k-निकटतम पड़ोसी (kNN) अनुमानक:
  - प्लग-इन ( $\Sigma_{plug-in}$ ): फॉरवर्ड बनाम रिवर्स ट्राजेक्टरीज में $k$ -वें निकटतम पड़ोसी की दूरी का उपयोग करके वांग एट अल. के अनुमानक को अनुकूलित करता है।
  - काउंट ( $\Sigma_{count}$ ): KSG म्यूचुअल इंफॉर्मेशन अनुमानकों पर आधारित, जो एक त्रिज्या के भीतर बिंदुओं की गिनती करता है।
  - यूनियन ( $\Sigma_{union}$ ): लेखकों द्वारा प्रस्तावित एक नया अनुमानक, जो फॉरवर्ड और रिवर्स ट्राजेक्टरी सेट्स के यूनियन के भीतर $k$ -वें निकटतम पड़ोसी की दूरी की गणना करता है।
4. ऊष्मप्रवैगिकी अनिश्चितता संबंध (TUR): एक अवलोकन योग्य (जैसे वाइंडिंग नंबर) के विचरण (variance) के आधार पर एक निचला स्तर ( $\dot{S}_{TUR}$ ) अनुमानित करता है।
पूर्वाग्रह सुधार (Bias Correction):
लेखक हाइपरपैरामीटर्स (स्मूथिंग $\sigma$ , क्लस्टर संख्या $k$ , पड़ोसी संख्या $k$ , टाइम-लैग $\ell$ ) का व्यवस्थित विश्लेषण करते हैं और शफल किए गए (समय-विपरीत) डेटा और गौसियन शोर (noise) के साथ तुलना करके परिमित-नमूना पूर्वाग्रह (finite-sample bias) को ठीक करते हैं।

3. मुख्य योगदान (Key Contributions)

नवीन अनुमानक: $\Sigma_{union}$ अनुमानक का परिचय, जो KL डाइवर्जेंस अनुमानकों (नोशाद एट अल.) से अनुकूलित एक kNN-आधारित विधि है, जो विशेष रूप से अपरिवर्तनीयता (irreversibility) के लिए बनाया गया है और इसने इस संदर्भ में मानक प्लग-इन विधियों की तुलना में उच्च प्रदर्शन दिखाया।
व्यापक बेंचमार्किंग: एक ही जटिल, वास्तविक दुनिया के डेटासेट पर कई अपरिवर्तनीयता अनुमान तकनीकों (गौसियन, मार्कोव, kNN, TUR) की दुर्लभ तुलनात्मक समीक्षा।
मैक्रोस्कोपिक केस स्टडी: ज्ञात मापने योग्य ऊर्जा बजट वाले एक मैक्रोस्कोपिक "जीव" पर इन उपकरणों का पहला अनुप्रयोग, जो सूक्ष्म बायोफिजिक्स और मैक्रोस्कोपिक इंजीनियरिंग के बीच के अंतर को पाटता है।

4. परिणाम (Results)

एंट्रॉपी उत्पादन अनुमान:
यद्यपि प्रणाली अत्यधिक संचालित (driven) है, मोटे तौर पर संकलित सांख्यिकीय अनुमान आश्चर्यजनक रूप से कम हैं। विधियों के बीच सर्वसम्मत अनुमान है:
$\Sigma \approx 0.5 \text{ bits/s}$
(पैरामीटर्स के आधार पर व्यक्तिगत विधियों की सीमा 0.02 से 0.8 bits/s तक है)।
ऊर्जा अंतराल (The Energy Gap):
सांख्यिकीय निचले स्तर की वास्तविक ऊर्जा खपत के साथ तुलना करने पर:
- $k_B T \Sigma \approx 2 \times 10^{-21}$ J/s
- वास्तविक पावर $W \approx 7 \times 10^4$ J/s
- परिणाम: असमानता $k_B T \Sigma \le W$ सत्य है, लेकिन यह लगभग 25 क्रमों (orders of magnitude) से असंतृप्त (unsaturated) है।
मेथोडोलॉजिकल निष्कर्ष:
- हाइपरपैरामीटर संवेदनशीलता: अनुमान $k$ और $\sigma$ के साथ काफी भिन्न होते हैं। लेखक नोट करते हैं कि मार्कोव ऑर्डर ( $\ell$ ) बढ़ाने से $\Sigma$ में लगभग रैखिक वृद्धि होती है, जो यह सुझाव देता है कि प्रासंगिक भौतिकी नमूना अंतराल (sampling interval) से बहुत लंबे समय के पैमाने पर होती है।
- पूर्वाग्रह (Bias): सभी अनुमानक शफल किए गए (इक्विलिब्रियम) डेटा के लिए भी गैर-शून्य मान उत्पन्न करते हैं, जिसके लिए बायस सबट्रैक्शन आवश्यक है। $\Sigma_{union}$ और बायस-करेक्टेड गौसियन विधियों ने सबसे स्थिर अनुमान प्रदान किए।
तुलनात्मक विश्लेषण:
पेपर में अन्य प्रणालियों (न्यूरॉन्स, हेयर सेल्स, पक्षी, गाय) के साथ A. subaru का एक मेटा-एनालिसिस (चित्र 2) शामिल है। जहाँ सूक्ष्म प्रणालियाँ 4-8 क्रमों का अंतर दिखाती हैं, वहीं मैक्रोस्कोपिक कार सबसे बड़ा रिपोर्ट किया गया अंतर (25 क्रम) प्रदर्शित करती है।

5. महत्व और निष्कर्ष (Significance and Conclusion)

मोटे तौर पर संकलित डेटा की व्याख्या: पेपर निष्कर्ष निकालता है कि मैक्रोस्कोपिक प्रणालियों के लिए, मापने योग्य स्वतंत्रता की डिग्री (गति, RPM) अक्सर प्रणाली के "जैविक उद्देश्य" (या इस मामले में, यांत्रिक उद्देश्य) को कैप्चर नहीं करती है। कार का उद्देश्य वायु प्रतिरोध के विरुद्ध द्रव्यमान को हिलाना है, एक ऐसी प्रक्रिया जो भारी ऊर्जा की खपत करती है, लेकिन यदि केवल कुछ मैक्रोस्कोपिक चरों को देखा जाए, तो यह सांख्यिकीय रूप से प्रतिवर्ती (reversible) प्रतीत हो सकती है।
प्रॉक्सी के रूप में $\Sigma$ की सीमाएं: लेखक तर्क देते हैं कि हालांकि एंट्रॉपी उत्पादन एक वैध ऊष्मप्रवैगिकी निचला स्तर है, लेकिन 25 क्रमों का अंतर इसे मैक्रोस्कोपिक संदर्भों में ऊर्जा खपत के लिए एक खराब प्रॉक्सी बनाता है। इस शासन (regime) में $\Sigma$ और $W$ के बीच सहसंबंध संभवतः संयोग मात्र है।
व्यंग्य और विज्ञान: पेपर "जीव" Automobilus subaru (एक कार) और एक काल्पनिक विधायी संदर्भ ("राज्य विधायिका" ड्राइविंग कानून) का उपयोग सूक्ष्म बायोफिजिकल उपकरणों को मैक्रोस्कोपिक प्रणालियों पर अत्यधिक लागू करने की आलोचना करने के लिए हास्यपूर्ण ढंग से करता है। हालाँकि, इसका तकनीकी निष्पादन कठोर है, जो वास्तविक दुनिया के डेटा पर गैर-संतुलन ऊष्मप्रवैगिकी लागू करते समय सैंपलिंग स्केल और अवलोकन योग्य चयन को समझने के महत्व को रेखांकित करता है।

अंतिम निष्कर्ष:
जबकि एंट्रॉपी उत्पादन एक मौलिक ऊष्मप्रवैगिकी निचला स्तर प्रदान करता है, मोटे तौर पर संकलित मैक्रोस्कोपिक डेटा से इसका अनुमान लगाने पर वास्तविक ऊर्जा अपव्यय (energy dissipation) से कई क्रमों से कम मान प्राप्त होते हैं। यह बताता है कि मैक्रोस्कोपिक प्रणालियों के लिए, अपरिवर्तनीयता के अनुमान सिस्टम के कुल ऊर्जा बजट के बजाय देखे गए चरों की नियमितता (regularity) के अधिक सूचक होते हैं।