Piston-Like Information Engine II: Boundary-Controlled Optimum in Active Matter
本文表明，利用自驱动毛刷机器人（bristle bots）的边界控制信息机，与热力学系统相比，表现出在定性上截然不同的功输出关系和密度依赖型机制切换，这一非平衡态特征归因于活性粒子在边界附近的堆积。
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
想象一个这样的世界：物质最微小的运动不仅仅是随机的颤动，而是一种等待被采集的潜在能量来源。一个多世纪以来，科学家们一直痴迷于将信息转化为功这一构想。这一概念植根于19世纪著名的思想实验，它表明，如果你确切知道一个粒子的位置，你就可以利用这种知识将其推向有用的方向，从而有效地从热量的混沌中提取能量。在过去的十年里，研究人员制造出了能够实现这一目标的微型机器，利用光场或磁场来捕捉并移动微观粒子。当粒子是被动的——仅仅因为热能而四处跳动，就像阳光下的尘埃一样——这些“信息引擎”运行得非常出色。但自然界提供了一类更混乱、更有活力的粒子：活性物质（active matter）。这些是自驱动实体，例如细菌或合成机器人，它们产生自身的运动。它们不仅是在跳动，还在用自身的内部动力进行推动、集群并撞向墙壁。驱动这项新研究的问题既简单又深刻：当燃料不再是热量，而是这些类生物机器那不懈的自驱动活动时，这种信息到能量转换的逻辑是否依然成立？
来自以色列的一个研究小组构建了一个大规模版本的这种引擎，以寻找答案。他们没有使用捕捉微观珠子的无形光阱，而是利用一个矩形竞技场和一群被称为“毛刷机器人”（bristle bots）的小型振动机器人构建了一个宏观机器。每个机器人约4厘米长，由微型电池和电机驱动，通过振动其柔韧的毛刷，使其在地面上快速爬行。研究人员在竞技场的一端放置了一个可移动的墙，充当活塞。该引擎基于一个简单的重复循环：首先，系统会等待并观察活塞附近的一个特定区域。如果该区域恰好是空的，活赛子就会向内滑动，压缩机器人集群。如果该区域被占据，活塞则保持不动。通过重复这一过程，机器人在没有进行任何直接推力功的情况下，被逐渐挤压到更小的空间内；能量完全来自于机器人的自身运动和墙体运动的巧妙时机。研究人员测量了存储在压缩后的机器人“气体”中的功，并将其与找到空隙进行压缩的概率进行了对比。
在被动热粒子世界中，物理学预测了提取功与空隙概率之间存在一种非常特定的关系。存在一条普遍规则，规定了运行此类引擎的最有效方式，即当发现空位的概率约为三分之一时，性能达到最佳。然而，当研究人员用这些具有自驱动特性的毛刷机器人进行实验时，结果却大相径庭。引擎并没有遵循标准规则。相反，运行机器的最优效率取决于竞技场内的拥挤程度。在低密度时，引擎在检测区域较大时工作得最好，即通过扫过较宽的区域来寻找稀有的空位。但随着研究人员增加机器人数量，使竞技场变得更加拥挤，最优策略发生了逆转。突然间，最好的表现来自于使用一个非常小的检测区域，仅寻找紧贴墙壁的一个微小缝隙。
这种策略的转变是由活性粒子的一种独特行为引起的：它们倾向于堆积在墙壁附近。因为这些机器人不断地推动自己前进，它们会在容器的边界处形成密集的层，使得竞技场中心相对空旷。当机器人数量较少时，这种堆积层很薄，引擎可以承担较大的搜索面积；但随着密度增加，墙壁变得拥挤，在墙边寻找大面积空位的难度极大。于是，引擎通过专注于寻找出现在这层密集墙体中的微小、瞬时的缝隙来进行适应。研究人员证实，这种行为并非其特定设置下的特例；他们利用干摩擦进行了模拟，发现即使在存在现实中的延迟和阻力、机器并非完美运行时，同样的策略转换依然会出现。
这项研究表明，虽然这些活性机器人的机械压力表现得有些类似于标准气体，但它们在空间中的分布方式完全改写了信息引擎的规则。边界附近的机器人堆积创造了一种复杂的权衡：较大的搜索区域如果成功，可以储存更多能量，但它很少是空的；而较小的搜索区域几乎总是空的，但储存的能量较少。机器必须不断平衡这两个因素。研究人员发现，机器从一种策略切换到另一种策略的临界点，直接取决于机器人拥挤墙壁的程度。这一发现表明，要制造利用活性物质的高效引擎，不能仅仅依赖于材料的平均特性。相反，设计必须考虑到这些自驱动粒子聚集及其与容器相互作用的具体方式。这项工作证明，在活性物质的世界里，边界的几何形状和人群的统计特性与粒子所携带的能量同样重要，为如何利用自驱动系统的混沌力量提供了新的蓝图。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。