Investigadores proponen un 'Memory Engine': un modelo físico donde los sistemas crean orden por sí mismos a través de una 'memoria' interna
Una nueva investigación publicada en Physical Review E presenta un modelo en el que las partículas pueden generar patrones de movimiento ordenados por sí mismas, dejando rastros en la superficie sobre la que se desplazan, actuando como una 'memoria' del sistema.
Un equipo de investigación ha publicado un estudio fundamental en la revista Physical Review E titulado "Memory engine: Self-organized coherence from internal feedback", que introduce el concepto de 'Memory Engine'. Este modelo físico explica cómo sistemas aparentemente caóticos pueden generar orden desde su interior, sin necesidad de fuerzas externas ni controladores.
El núcleo de este modelo es la idea de una "memoria" surgida de la interacción entre las partículas y su entorno. Los investigadores simularon una partícula browniana (una partícula pequeña con movimiento aleatorio) moviéndose sobre una superficie especial con propiedades viscoelásticas. Esta superficie no es un espacio vacío, sino que registra las trayectorias de la partícula en forma de un "campo de memoria".
El mecanismo funciona mediante un bucle de retroalimentación interna simple pero potente: cuando la partícula se mueve, deja un rastro o altera las propiedades de la superficie en esa área. Posteriormente, estas huellas registradas retroalimentan el sistema, guiando o restringiendo los movimientos futuros de la partícula. Este proceso se rige bajo un marco llamado Coupled Memory Graph Process (CMGP), un proceso no markoviano que permite al sistema "recordar" su pasado.
Las simulaciones por computadora revelaron un fenómeno sorprendente: el sistema puede pasar de una difusión aleatoria y desestructurada a un patrón de movimiento organizado y cíclico denominado "burst-trap cycles", donde la partícula alterna entre ráfagas rápidas de movimiento y periodos de inactividad temporal. El factor clave que controla esta transición es la rigidez (stiffness) de la superficie que actúa como unidad de memoria.
Este modelo podría ser la clave para comprender cómo los sistemas complejos, desde las células biológicas hasta las redes de IA, pueden crear orden y 'aprender' de su propia historia sin intervención externa.