🔬 condensed matter

Work as a function of protocol duration for the efficient erasure of an underdamped memory: isothermal to adiabatic transition

通过利用进化强化学习，本研究揭示了擦除欠阻尼记忆位所需的平均功从等温机制（在弛豫时间之上按 $1/\tau$ 比例缩放）向独特的绝热机制（在弛豫时间之下以慢于 $1/\tau$ 的比例缩放）转变，证明了学习到的协议可以优于仅针对平衡边界条件进行优化的协议。

原作者： Nicolas Barros, Stephen Whitelam, Sergio Ciliberto, Ludovic Bellon

发布于 2026-09-11

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Nicolas Barros, Stephen Whitelam, Sergio Ciliberto, Ludovic Bellon

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

在微观物理学的宁静世界中，存在着一条关于信息与能量的基本规则。它规定，如果你想删除一个单一的信息单元（例如一个简单的“是”或“否”），你必须为此消耗微小的、不可避免的能量。这不仅仅是一个理论构想，而是一项自然法则。当计算机擦除一个比特的数据时，它会产生轻微的热量，而这种热量就是删除信息的物理代价。科学家们早已知晓，如果进行极其缓慢的擦除，可以尽可能接近这个最小能量成本。然而，现实世界的设备需要快速运行。大问题在于，当你试图快速擦除信息时，会发生什么？能量成本是会剧烈飙升，还是存在一种更聪明的方法？这个问题至关重要，因为随着我们的技术向微缩化和高速化发展，理解能量效率的极限对于制造更好的机器至关重要。

来自法国里昂和加州伯克利的科研团队致力于通过构建一个微小的物理存储设备，并教会计算机如何高效地擦除它来回答这个问题。他们使用了一个被称为“悬臂梁”的微型金属梁，它像吉他弦一样振动。这个梁充当了一个一比特存储器：它可以停留在两个位置之一，代表“0”或“1”。研究人员想要迫使这个梁从一个随机位置移动到一个特定的目标位置，从而有效地擦除其之前的状态。为此，他们对梁施加了一个电场力，塑造了一个无形的能量景观，以引导梁的运动。挑战在于，这个梁是“欠阻尼”的，这意味着它很轻且富有弹性；一旦开始运动，它往往会持续振荡而不是立即停止。这使得在快速控制时，很难在不浪费能量或错过目标的情况下实现控制。

为了找到擦除比特的最佳方式，科学家们并没有依赖人类的直觉或标准公式。相反，他们使用了一种称为“神经演化”的方法，这是一种模仿自然选择的人工智能技术。他们在计算机上创建了一个物理实验的数字孪生体，并让算法演化出数千种不同的移动梁的方式。计算机测试了这些策略，保留那些使用能量最少且能成功将梁移动到正确位置的策略，同时丢弃失败的尝试。经过许多代演化，算法发现了一套指令集——即一种协议——它比任何人类设计的方案都更加高效。随后，研究人员将这些计算机生成的指令应用于实验室中的真实物理金属梁，以观察数字化的经验是否能在现实世界中站得住脚。

结果揭示了系统行为中一个令人惊讶的分裂现象，这完全取决于允许擦除进行的时间长短。当研究人员给予系统充足的时间（远长于梁自然平息所需的时间）时，能量成本遵循一种可预测的模式。所需的功仅略高于理论最小值，并且随着过程变慢而减少。这与科学家在摩擦力占主导地位的较重、较慢系统中观察到的情况相吻匹配。然而，当他们尝试快速擦除比特（时间短于梁的自然平息时间）时，规则发生了彻底改变。在这种快速机制下，能量成本并没有像人们预期的那样飙升。相反，学习到的协议发现了一种方法，即使在缩减时间的过程中，也能让能量成本的上升保持在非常缓慢的水平。

这种高效性的关键在于梁是如何运动的。在缓慢擦除过程中，梁与周围空气保持平衡，过程平稳且稳定。在快速擦除过程中，梁被推得既猛又快，导致它无法保持平衡；它会升温并获得动能，产生剧烈的振动。研究人员发现，最聪明的协议并不会试图对抗这种加热或立即停止振动。相反，它们拥抱了这种速度。它们移动梁的方式接受了这种暂时的、高能量的状态，实际上是将系统视为孤立且绝热的，而不是试图强行让它保持冷却。这使得它们能够以比试图维持一个冷静、平衡状态更少的功，达到目标位置。

研究表明，这些通过计算机学习到的协议不仅稍好一些，而且显著优于以往实验中使用的基础、手工设计的方案。对于快速擦除，基础方法往往会失败，导致梁停留在错误的位置，而学习到的方法几乎每次都能成功。研究人员还将他们的发现与较慢、较重的系统中的情况进行了对比。他们发现，在快速、欠阻尼的机制下，擦除一个比特最高效的方式是允许系统最终处于一个与周围环境不完全平衡的状态。这是一个至关重要的区别，因为许多传统理论都假设一个过程必须结束在一个冷静、平衡的状态才能被视为最优。研究人员发现，通过放宽这一要求，他们可以实现更低的能量成本。

最终，该团队确定了快速擦除一个比特所需的能量的新下限。他们提出了一个涉及完美、理想控制器的理论“思想实验”，该控制器可以读取存储器的状态并做出相应反应。这个理论极限表明，对于快速擦除，能量成本随着时间的减少而增长得非常缓慢，其缩放方式比旧规则所暗示的要有利得多。实验数据和计算机模拟都紧贴这一理论极限，证实了学习到的协议几乎达到了物理学所允许的极限。这项工作表明，通过利用机器学习去探索所有可能的运动范围，而非局限于简单的、直觉性的步骤，我们可以推动能量效率的边界。它暗示，未来超快速、低功耗计算的实现，可能取决于学会让系统自由且快速地运动，而不是试图强迫它们缓慢而谨慎地移动。

技术摘要：作为高效擦除欠阻尼存储器之函数的工作量

问题陈述
兰道尔原理（Landauer's principle）确立了在准静态过程中擦除一个比特信息的最小热力学代价 $k_B T \ln 2$ 。虽然在过阻尼系统中，有限时间擦除所需的平均功 $\langle W \rangle$ 的标度规律（遵循 $1/\tau$ 标度律，其中 $\tau$ 为协议持续时间）已得到充分理解，但这种关系在欠阻尼机制中缺乏通用的证明和明确的特征描述。在欠阻尼系统（例如具有高品质因数的机械振荡器）中，惯性、热涨落与有限时间驱动之间的相互作用创造了复杂的动力学过程。具体而言，当擦除时间 $\tau$ 与系统的弛豫时间 $t_r$ 相当或更短时，功的成本如何标度尚不明确。此外，虽然最优传输理论为过阻尼系统提供了界限，但对于小粘性阻尼（ $Q > 1$ ）的欠阻尼振荡器，目前尚无已知的适用最优协议。

方法论
作者结合实验实现与机器学习来研究这一问题：

实验系统： 研究利用了一个作为欠阻尼谐振子的微机械悬臂梁（在空气中， $Q \approx 7$ ， $\omega_0 \approx 1090$ Hz）。通过静电反馈，悬臂梁被捕获在一个可调的双阱势能中。逻辑状态（0 和 1）分别对应于悬臂梁位于左阱或右阱。
神经进化学习： 为了寻找高效的擦除协议，作者使用了“神经进化”（一种强化学习形式）。他们将势能的时间相关控制参数（ $z_0(t)$ 和 $z_1(t)$ ）编码为一个深度神经网络。该网络通过遗传算法在实验的“数字孪生”（一个 Langevin 方程模型）上进行训练，以最小化序参数 $\phi = P_f + \langle W \rangle/100$ ，其中 $P_f$ 是失败率（结束在错误阱中的概率）， $\langle W \rangle$ 是平均功。
验证： 所学习到的协议被应用于物理悬臂梁。其性能（功和失败率）在不同的擦除时间范围（ $0.5 t_0 \le \tau \le 20 t_0$ ）内，与“基础”线性斜坡协议及数值模拟进行了对比。
理论界限： 作者提出了一个“思想实验”（gedanken）最优协议，以建立理论上的功下界。该协议涉及一个“恶魔”，它读取初始状态，并仅在需要位移时才施加最优平移，随后对势能进行无成本的重构。

关键结果
研究揭示了平均功 $\langle W \rangle$ 作为协议持续时间 $\tau$ 函数的两个不同机制，两者由系统的弛豫时间 $t_r$ 分隔：

准静态机制 ( $\tau \gg t_r$ )：
- 在此极限下，系统保持接近热平衡状态。
- 基础协议和学习到的协议均产生满足 $\langle W \rangle \approx k_B T (\ln 2 + B/\tau)$ 的平均功。
- 这恢复了标准的兰道尔界限以及与过阻尼系统一致的额外开销，证实了在欠阻尼存储器中，慢速擦除遵循 $1/\tau$ 标度律。
绝热/非平衡机制 ( $\tau \lesssim t_r$ )：
- 对于快速擦除，基础协议表现极差（高 $P_f$ ），并且由于无法向热浴耗散的残余动能和加热效应，需要迅速增加的功。
- 学习到的协议： 神经进化方法发现的协议显著优于基础协议。其平均功的增长速度远慢于从准静态机制中外推的 $1/\tau$ 增长。
- 标度行为： 在快速机制中，功受到 $1/\tau$ 标度的下界限制，但具有不同的截距和系数。学习到的协议在保持近乎零的失败率的同时，使最终总能量保持在较低水平。
- 思想实验界限： 作者根据其思想实验推导出了一个功的下界 $\langle W_g \rangle$ 。该界限随着 $\tau$ 的减小，从等温值 ( $\ln 2$ ) 过渡到绝热值（以 $k_B T$ 为单位为 $1 $）。实验和数值结果显示，学习到的协议在短$ \tau$ 时非常接近这一绝热界限。

与过阻尼系统的比较
论文将学习到的欠阻尼协议与过阻尼机制下的协议进行了比较。研究发现，与过阻迫情况类似，那些不强制执行平衡终态的学习协议，可以实现比在约束最终平衡态下优化的协议更低的功成本。这表明，允许系统结束在非平衡态（特别是具有较低储存能量的状态）是快速擦除效率提升的关键机制。

意义与主张
作者声称，他们的工作为欠阻尼系统中信息处理的热力学提供了新的见解，而在该机制中，此前缺乏关于最优功标度的通用证明。

机制分离： 他们证明了过阻尼系统的通用 $1/\tau$ 标度律仅在 $\tau \gg t_r$ 时有效。对于 $\tau \lesssim t_r$ ，物理机制转向了类似于绝热的机制，其功的标度方式有所不同。
优化能力： 他们展示了即使在存在惯性的情况下，神经进化也能可靠地产生接近最优的快速驱动协议，其性能优于人工设计的“基础”协议。
理论界限： 所提出的思想实验协议为快速擦除的功建立了一个严格的下界，实验数据接近但并未严格达到该界限（这可能是由于实验中使用的势能函数类受限）。
谦逊态度： 作者明确指出，他们并不声称学习到的协议是全局最优的，因为搜索空间被限制在特定的能量景观（双二次势）子集中。然而，他们断言这些协议为未来的研究提供了一个清晰且经过实验验证的界限，并证明了机器学习是探索复杂机械系统中非平衡热力学的强大工具。

类似论文