Des chercheurs proposent le 'Memory Engine', un modèle physique où le système s'auto-organise grâce à une 'mémoire' interne
Une nouvelle étude publiée dans Physical Review E présente un modèle où des particules génèrent spontanément des mouvements ordonnés en laissant des traces sur leur surface, agissant comme une 'mémoire' du système.
Une équipe de recherche a publié une étude majeure dans la revue Physical Review E intitulée "Memory engine: Self-organized coherence from internal feedback", introduisant le concept de 'Memory Engine'. Ce modèle physique explique comment des systèmes apparemment chaotiques peuvent générer spontanément de l'ordre sans intervention externe.
Le cœur de ce modèle repose sur une "mémoire" née de l'interaction entre les particules et leur environnement. Les chercheurs ont simulé des particules browniennes évoluant sur une surface viscoélastique. Cette surface ne se contente pas d'être un espace vide, elle enregistre les trajectoires des particules sous forme de "champ de mémoire" (memory field).
Le mécanisme fonctionne via une boucle de rétroaction interne simple mais puissante : en se déplaçant, la particule modifie les propriétés de la surface locale, et ces traces influencent ensuite ses mouvements futurs. Ce processus s'inscrit dans le cadre du "Coupled Memory Graph Process" (CMGP), où le système ne "perd" pas son passé (non-markovien).
Les simulations informatiques révèlent un phénomène fascinant : le système passe d'une diffusion aléatoire à des mouvements cycliques ordonnés, appelés "burst-trap cycles", alternant entre des accélérations rapides et des phases de piégeage temporaire, la rigidité de la surface jouant le rôle de contrôleur principal.
Ce modèle pourrait être la clé pour comprendre comment des systèmes complexes, des cellules biologiques aux réseaux d'IA, parviennent à s'auto-organiser et à 'apprendre' de leur propre historique sans contrôleur externe.