Pourquoi un système doté de mémoire peut s'écarter de l'équilibre ✎

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 · analyse indépendante · 1 min
Si un système se souvient de son passé, il peut s'éloigner temporairement de l'équilibre avant d'y revenir.

L'orchestre joue de façon parfaitement coordonnée, mais un chef d'orchestre invisible modifie son geste pendant une seconde. C'est ainsi qu'un système en route vers l'équilibre fait soudain un pas en arrière.

D'habitude, si un système ne garde pas la trace de son passé, il se rapproche de l'équilibre de façon monotone, comme le sable dans un sablier. Mais s'il possède une mémoire, il peut s'écarter un moment de l'équilibre. On avait déjà remarqué ce phénomène, sans comprendre d'où il venait.

La mémoire agit comme un chef d'orchestre caché : il ne change pas la musique, mais retarde certains gestes. L'orchestre perd alors un instant le rythme.

L'auteur a construit des modèles simples et a montré que, lorsque la mémoire est longue, la rétroaction retardée inverse temporairement le mouvement vers l'équilibre. La démonstration habituelle de la monotonie ne tient plus, et la distance à l'équilibre peut augmenter pendant un temps.

L'orchestre rejoue à l'unisson. On comprend désormais que cette hésitation n'était pas un hasard, mais l'effet d'une mémoire qui a ramené le système à son passé l'espace d'un instant.

Dans le cas markovien, l'entropie relative joue le rôle d'une fonction de Lyapunov, garantissant une approche irréversible de l'équilibre. La perte de divisibilité signifie que l'évolution ne peut être découpée en étapes markoviennes successives, et la flèche du temps habituelle peut alors, pendant un court instant, s'inverser.

\frac{dP(t)}{dt} = \int_0^t K(t-\tau) P(\tau) d\tau
La vitesse de variation des probabilités à l'instant t dépend de tout l'historique antérieur via le noyau K.
K(t) = \gamma e^{-\gamma t} R
La mémoire décroît exponentiellement à la vitesse γ, et R est le générateur markovien.
F(t) = D_{KL}(P(t) \| \pi) = \sum_i P_i(t) \ln \frac{P_i(t)}{\pi_i}
Mesure de la distance informationnelle entre la distribution actuelle et la distribution stationnaire π.
Scientifiques
Jacob BekensteinStephen HawkingLudwig BoltzmannRudolf ClausiusJames Clerk MaxwellEdward Witten
Notions
entropie de Boltzmann entropie gravité entropique flèche du temps Chaîne de Markov relaxation taux d'amortissement intervalle d'énergie temps de relaxation correction logarithmique irréversibilité ombre entropique