ทันเอไอ

Global AI & tech news, in your language · every story source-checked

🌐Follow
← Back to news
LINE Facebook X
Alat/Open SourceVerified

Peneliti mengusulkan 'Memory Engine', model fisik di mana sistem dapat menciptakan keteraturan melalui 'memori' internal

Penelitian baru yang diterbitkan di Physical Review E memperkenalkan model di mana partikel dapat menciptakan pola pergerakan teratur secara mandiri dengan meninggalkan jejak pada permukaan tempatnya bergerak, yang berfungsi layaknya 'memori' sistem.

📅 16 Jul 2026, 04.04
Peneliti mengusulkan 'Memory Engine', model fisik di mana sistem dapat menciptakan keteraturan melalui 'memori' internal

Tim peneliti telah menerbitkan makalah penting di jurnal Physical Review E berjudul "Memory engine: Self-organized coherence from internal feedback". Karya ini memperkenalkan konsep baru bernama 'Memory Engine', sebuah model fisik yang menjelaskan bagaimana sistem yang tampak kacau dapat menciptakan pola keteraturan dari dalam tanpa campur tangan gaya atau pengendali eksternal.

Inti dari model ini adalah konsep "memori" yang dihasilkan dari interaksi antara partikel dan lingkungannya. Peneliti mensimulasikan partikel Brownian (partikel kecil yang bergerak secara acak) di atas permukaan khusus dengan sifat viskoelastis (viscoelastic). Permukaan ini tidak sekadar ruang kosong, melainkan berfungsi mencatat jalur pergerakan partikel dalam bentuk "medan memori" (memory field).

Mekanisme kerjanya adalah siklus umpan balik (internal feedback) yang sederhana namun kuat: saat partikel bergerak, ia meninggalkan jejak atau mengubah sifat permukaan di area tersebut. Jejak yang tersimpan kemudian memberikan pengaruh balik untuk memandu atau membatasi pergerakan partikel di masa depan. Proses ini berada di bawah kerangka kerja yang disebut Coupled Memory Graph Process (CMGP), di mana sistem tidak melupakan masa lalunya (non-Markovian).

Hasil simulasi komputer menunjukkan fenomena yang menakjubkan, yaitu sistem dapat berubah dari pergerakan acak yang tidak terstruktur (unstructured diffusion) menjadi pola gerakan teratur yang berulang, yang disebut "burst-trap cycles". Siklus ini melibatkan pergerakan bergantian antara lonjakan cepat dan kondisi terperangkap sementara. Faktor utama yang mengendalikan perubahan ini adalah tingkat kekakuan (stiffness) dari permukaan yang berfungsi sebagai unit memori tersebut.

Why it matters
Model ini dapat menjadi kunci untuk memahami bagaimana sistem kompleks, mulai dari sel tubuh hingga jaringan AI, dapat menciptakan keteraturan dan 'belajar' dari sejarahnya sendiri tanpa perlu pengendali eksternal.
#ฟิสิกส์เชิงทฤษฎี#ระบบซับซ้อน#AI พื้นฐาน#แบบจำลองทางคณิตศาสตร์