🔬 condensed matter

Free-Energy Differences from Nonequilibrium Fluctuations in High Dissipation

该论文介绍了 EquiNET，这是一种利用重复轨迹涨落的方法，旨在高耗散机制下准确估计自由能差，因为在这些机制下，由于负熵产生事件在统计上的稀缺性，传统的涨落定理会失效。

原作者： Sreekanth K Manikandan, Giovanni Volpe

发布于 2026-08-25

📖 1 分钟阅读☕ 轻松阅读

原作者： Sreekanth K Manikandan, Giovanni Volpe

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

在原子和分子的微观世界中，能量从未静止。即使一个系统看起来很平静，其粒子也在不断地相互碰撞，受周围热量的驱动。科学家们长期以来一直试图寻找一种方法，来绘制决定这些微小系统行为的隐藏能量图谱，例如蛋白质如何折叠成其功能形状，或者化学反应如何进行。这些图谱中“山丘”的高度和“山谷”的深度决定了稳定性和速度，但直接测量它们是极其困难的。几十年来，研究人员一直依赖一种巧妙的变通方法：他们将分子从其静止状态中拉出，并测量为此付出的努力。通过重复这一过程数千次并取其平均值，他们理论上可以推导出起始点与终点之间的能量差。然而，当过程变得混乱或快速时，这种方法就会遇到瓶ط颈。在这些高耗散场景中，数学要求研究人员寻找那些极其罕见、几乎不可能发生的事件——即系统似乎在释放能量而非消耗能量的时刻。这些事件如此罕见，以至于收集足够多的此类事件来获得可靠答案所需的时间，将比宇宙的年龄还要长。

哥德堡大学的一个研究小组找到了一种绕过这一瓶颈的方法。他们引入了一种被称为 EquiNET 的新技术，该技术无需等待这些稀有的、幸运的事件。与其在草堆中寻找针头，不如说他们的方法是在观察整个草堆的形状。通过分析分子在标准拉伸实验中运动时的细微波动，该团队可以推断出由于摩擦和热量损失的总能量。一旦他们知道了浪费了多少能量，就可以从所做的总功中减去这部分损失，从而揭示两个状态之间的真实能量差。即使在过程具有高度不可逆性的情况下，这种方法依然有效，而传统的常规方法在此时会完全失效。

研究人员首先在一个简单的、描述粒子在变化的能量景观中运动的一维模型上测试了他们的想法。在这种模拟中，他们驱动一个粒子从一个稳定位置移动到另一个位置，创造了一个正向路径和反向路径差异巨大、几乎没有重叠的情景。标准方法将无法找到它们之间的联系。然而，EquiNET 成功地通过仅从轨迹数据中学习，重建了能量差。它不需要那些罕见的逆向运动事件；它只是从常见的正向运动中学习了运动的规律。结果与已知的理论值完美匹配，证明了该方法可以从普通运动的噪声中提取出隐藏的能量景观。

为了观察这在更复杂、更现实的设定下是否依然成立，该团队将 EquiNET 应用于一个聚合物发夹（polymer hairpin）的模型，这种结构模仿了 DNA 或蛋白质链折叠的方式。他们模拟了机械性地拉开这个发夹的过程——即打破维持其结构的键，然后让其弹回。他们改变了键的强度，创造了从轻微到极端困难的各种场景，其中能量损失巨大。在最困难的情况下，正向和反向实验产生了完全不同的结果，且没有任何重叠，使得传统的统计工具变得毫无用处。然而，EquiNET 在这种混沌中表现出色。通过在发夹所走的路径上训练一个专门的计算机程序，该系统学会了预测过程中每一时刻的能量损失。当他们将预测的损失与测得的功相结合时，计算出的能量差非常准确，尽管这些数据来自于传统方法早已放弃的机制。

这项发现最实用的方面之一是，即使在科学家无法看到全貌的情况下，它依然有效。在现实世界的实验中，追踪分子中的每一个原子通常是不可能的；研究人员通常只能看到几个关键点，例如链的末端或特定的标记点。团队展示了 EquiNET 在这种有限视野下仍能发挥作用。当他们只向系统输入发夹上几个珠子的坐标时，它虽然无法确定精确的能量差，但可以提供一个严格的数学边界。它告诉研究人员，真实的能量差必然低于某个特定值。这个边界出奇地紧凑，非常接近实际值，这表明即使只有部分信息，科学家也能对复杂生物结构的稳定性获得可靠的洞察。

研究人员还调查了做出这些预测需要多少数据。他们发现，该方法收敛得很快；在他们的模拟中，仅需大约一千条轨迹就能恢复很大一部分真实的能量损失。这与旧方法相比有了显著改进，旧方法可能需要数百万甚至数十亿次尝试才能找到它们所依赖的那极少数罕见事件。团队还发现了一种检查实验是否足够长的方法。通过观察模拟结束时能量损失的速率，他们可以判断分子是否真正恢复到了平静状态。如果能量损失率没有降至零，则意味着分子仍在放松，观测窗口需要延长。这为实验人员提供了一个内置的诊断工具，让他们知道何时收集到了足够的信息。

最终，这项工作为理解生命机器的能量提供了一条新路径。通过将焦点从罕见、概率极低的事件转向系统的常见、日常波动，EquiNET 让研究人员能够在以前难以分析的混乱条件下测量能量景观。无论是研究蛋白质如何折叠、药物如何与靶点结合，还是合成材料如何响应压力，这项技术都提供了一种稳健的方法，来观测驱动它们的隐形能量。它将高耗散问题从死胡同转变为一个可解的谜题，利用了曾经让测量变得不可能的那些噪声。

技术摘要：用于从非平衡涨落中估计自由能的 EquiNET

问题陈述
平衡态自由能差 ( $\Delta F$ ) 是理解物理和生物系统稳定性与功能的根本。虽然涨落定理（如 Jarzynski 等式和 Crooks 涨落定理）在理论上允许从非平衡功的涨落中重建 $\Delta F$ ，但在高耗散机制下，这些方法面临着关键的实际限制。这些方法的收敛依赖于对具有负熵产生 ( $\Delta S_{tot} < 0$ ) 的稀有轨迹的采样。在强耗散系统（即平均熵产生超过几个 $k_B T$ ）中，这些稀有事件发生的频率呈指数级下降，使得传统的估计器在统计上效率低下，需要极大量的轨迹才能实现收敛。此外，总熵产生通常在实验中无法直接测量，因为它需要同时了解热耗散和系统熵的变化，而后者取决于难以获取的微观状态概率。

方法论：EquiNET
作者引入了 EquiNET，这是一种数据驱动的技术，通过直接估计总熵产生而非依赖稀有事件采样来推断平衡态自由能差。该方法基于短时热力学不确定性关系 (Thermodynamic Uncertainty Relation, TUR)，该关系将瞬时熵产生率 $\sigma(t)$ 表示为变分优化问题的解：
$\sigma(t) = \frac{1}{dt} \max_{\mathbf{d}} \left[ \frac{2k_B \langle J_{\mathbf{d}} \rangle^2}{\text{Var}(J_{\mathbf{d}})} \right]$
其中 $J_{\mathbf{d}}$ 是通过 Stratonovich 乘积定义的加权随机电流。该公式仅依赖于电流的前两阶累积量（均值和方差），避免了涨落定理所要求的更高阶统计量和指数平均。

为了求解复杂高维系统的这一优化问题，作者采用了一种时间条件化的 $E(3)$ -等变图神经网络 (EGNN)。

架构： 系统（例如聚合物）被表示为一个图，其中节点对应于珠子（beads），边编码相互作用（主链、原生接触）。网络以珠子坐标和时间作为输入，输出一个向量场 $\mathbf{d}(\mathbf{x}, t)$ ，用以近似热力学力场。
训练： 通过利用轨迹数据并最大化 TUR 方程中的变分目标，对网络参数进行端到端优化。
推理： 训练完成后，网络可得出瞬时熵产生率 $\sigma(t)$ 。通过在整个协议期间对 $\sigma(t)$ 进行积分，即可得到总熵产生 $\langle \Delta S_{tot} \rangle$ 。
自由能计算： 随后利用关系式 $\Delta F = \langle W \rangle - T\langle \Delta S_{tot} \rangle$ 恢复平衡态自由能差，其中 $\langle W \rangle$ 是测得的平均功。

该框架自然地扩展到了部分观测（即仅测量部分自由度）的情况。在这种情况下，推断出的熵产生提供了真实熵产生的严格下界，从而为 $\Delta F$ 提供了一个相应的严格界限。

关键结果与验证
作者通过在两个不同的机制下的数值模拟验证了 EquiNET：

解析可解的 1D 系统： 一个粒子在随时间变化的势场驱动下在两个平衡态之间运动。
- 在这种情况下，变分优化可以使用多项式基函数得到精确的解析解。
- 结果表明，即使在前向和反向功分布完全分离（无重叠）的情况下，EquiNET 也能准确恢复平衡态自由能差，而在这种机制下，Crooks 定理在现有数据下会失效。
聚合物发夹模型 (Polymer Hairpin Model)： 一个经历力诱导展开的高维生物分子系统。
- 模拟通过改变原生接触强度 ( $\epsilon$ )，创建了中度到强耗散机制，在这些机制下，前向和反向功分布即使在 $10^5$ 条轨迹后仍无重叠。
- 全观测： 使用所有珠子的坐标，EquiNET 恢复的 $\Delta F$ 值与通过慢速拉伸模拟（此时分布存在重叠）获得的基准参考值高度一致。
- 部分观测： 当仅在部分珠子的 $x$ 坐标上进行训练时（模拟光镊或 FRET 等实验限制），EquiNET 提供了接近真实值的 $\Delta F$ 严格上界。
- 收敛性： 该方法收敛迅速；大约 $10^3$ 条轨迹就足以恢复前向过程中很大一部分的真实熵产生，其数据需求显著优于基于涨落定理的方法。

意义与主张
本文声称，EquiNET 为在强耗散机制下估计自由能差提供了一种可扩展且高效的替代方案。通过将关注点从稀有负熵事件转向通过低阶统计量推断平均熵产生，该方法避免了困扰现有技术的指数级数据效率低下问题。

作者强调，虽然该方法需要已知相互作用网络来构建图神经网络，但它不需要直接获取热量或完整的微观状态概率。该框架被呈现为一种分析高维系统的通用工具，例如复杂的生物分子，并且在实验仅能获得部分观测值时特别有用，能在无法获得精确估计的情况下提供严格的界限。这项工作建立了随机热力学与物理启发机器学习之间的桥梁，证明了轨迹涨落包含足够的足够信息，可以在不依赖“稀有事件”假设的情况下重建平衡性质。

技术摘要：用于从非平衡涨落中估计自由能的 EquiNET

类似论文