Por qué un sistema con memoria puede alejarse del equilibrio ✎

Original: "Relative Entropy Revivals Caused by Memory-Induced Loss of Divisibility in Classical Non-Markovian Dynamics"
· Koichi Nakagawa
arXiv:2602.09054 · 2026-02-07 · arXiv non-exclusive · análisis propio · 1 min
Si un sistema recuerda su pasado, puede distanciarse temporalmente del equilibrio antes de volver a él.

La orquesta toca coordinada, pero el director oculto cambia el gesto durante un segundo. Así también, un sistema que avanza hacia el equilibrio da de pronto un paso atrás.

Por lo general, si un sistema no recuerda el pasado, se aproxima al equilibrio de forma monótona, como la arena en un reloj de arena. Pero si tiene memoria, puede alejarse del equilibrio durante un tiempo. Antes ya se había observado algo así, aunque no se entendía por qué ocurría.

La memoria funciona como un director oculto: no cambia la música, pero retrasa algunos gestos. Por eso la orquesta pierde el ritmo por un instante.

El autor construyó modelos sencillos y descubrió que, si la memoria es larga, la retroalimentación retardada invierte temporalmente el movimiento hacia el equilibrio. Entonces la demostración habitual de monotonía deja de funcionar y la distancia al equilibrio puede crecer de forma temporal.

La orquesta vuelve a tocar al unísono. Ahora queda claro que la vacilación no fue una casualidad, sino obra de la memoria, que durante un instante devolvió el sistema al pasado.

En el caso markoviano, la entropía relativa desempeña el papel de función de Lyapunov, que garantiza el acercamiento irreversible al equilibrio. La pérdida de divisibilidad significa que la evolución no puede dividirse en pasos markovianos sucesivos, y entonces la flecha del tiempo habitual puede volverse hacia atrás durante un breve intervalo.

\frac{dP(t)}{dt} = \int_0^t K(t-\tau) P(\tau) d\tau
La velocidad de cambio de las probabilidades en el instante t depende de toda la historia previa a través del núcleo K.
K(t) = \gamma e^{-\gamma t} R
La memoria decae exponencialmente con velocidad γ, y R es el generador markoviano.
F(t) = D_{KL}(P(t) \| \pi) = \sum_i P_i(t) \ln \frac{P_i(t)}{\pi_i}
Medida de la distancia informativa de la distribución actual respecto a la estacionaria π.
Científicos
Ludwig BoltzmannJames Clerk MaxwellRudolf ClausiusJacob BekensteinStephen HawkingEdward Witten
Conceptos
entropía de Boltzmann entropía gravedad entrópica flecha del tiempo cadena de Markov relajación tasa de amortiguamiento brecha de energía tiempo de relajación corrección logarítmica irreversibilidad sombra entrópica