Forschende präsentieren 'Memory Engine': Ein physikalisches Modell, das durch internes 'Gedächtnis' Ordnung erzeugt
Eine neue, in Physical Review E veröffentlichte Studie zeigt, wie Partikel durch Spuren auf einer Oberfläche, die als 'Gedächtnis' dient, selbstorganisierte Bewegungsmuster entwickeln können.
Ein Forschungsteam hat in der Fachzeitschrift Physical Review E die Studie "Memory engine: Self-organized coherence from internal feedback" veröffentlicht. Das Konzept der 'Memory Engine' beschreibt, wie scheinbar chaotische physikalische Systeme ohne externe Steuerung von innen heraus Ordnung schaffen können.
Der Kern des Modells ist ein durch Interaktion zwischen Partikel und Umgebung erzeugtes "Gedächtnis". Die Forscher simulierten ein Brownsche Teilchen, das sich auf einer viskoelastischen Oberfläche bewegt. Diese Oberfläche dient nicht nur als Untergrund, sondern fungiert als 'Memory Field', das die Bewegungsspuren des Partikels speichert.
Der Mechanismus basiert auf einem einfachen, aber effektiven internen Feedback: Während sich das Partikel bewegt, hinterlässt es Spuren, die das lokale Verhalten der Oberfläche verändern. Diese gespeicherten Informationen beeinflussen wiederum die künftige Bewegung des Partikels. Dieser Prozess findet im Rahmen eines nicht-markovschen (non-Markovian) Prozesses statt, bekannt als Coupled Memory Graph Process (CMGP).
Die Computersimulationen zeigen ein bemerkenswertes Phänomen: Das System wandelt sich von einer unstrukturierten Diffusion hin zu geordneten, zyklischen Bewegungsmustern, sogenannten "Burst-Trap-Zyklen". Hierbei wechselt das Partikel zwischen schnellen Vorwärtsbewegungen und temporären Stillstandsphasen. Der entscheidende Steuerungsfaktor für diesen Übergang ist die Steifigkeit (Stiffness) der Oberfläche, die als Speichermedium agiert.
Dieses Modell könnte der Schlüssel zum Verständnis dafür sein, wie komplexe Systeme – von biologischen Zellen bis hin zu KI-Netzwerken – ohne externe Steuerung Ordnung erzeugen und aus ihrer eigenen Geschichte 'lernen' können.