Entropie hors équilibre : comment mesurer un chaos qui ne se calme pas
Contexte
La thermodynamique d'équilibre donne des recettes précises pour l'entropie : via la capacité calorifique, les fluctuations d'énergie ou l'énergie libre. Mais les systèmes vivants, les milieux granulaires et la matière active existent loin de l'équilibre, là où ces recettes ne fonctionnent pas. Le travail se situe en marge : à côté, dans l'archive, voisinent des études sur le chaos sans connaissance des règles, sur les diagrammes de phase et sur l'extraction de lois à partir du bruit. Toutes se heurtent au même problème : comment tirer de l'information d'un système complexe sans connaître ses détails microscopiques.
Méthodes
Les auteurs ne proposent pas une méthode universelle unique, mais rassemblent une palette d'approches. La compression de données utilise des algorithmes de type LZ77 : la longueur du fichier compressé estime l'entropie, car un bon compresseur s'approche de la limite théorique de Shannon. Les bornes supérieures issues des fonctions de corrélation s'appuient sur le principe du maximum d'entropie : en ne connaissant que les corrélations à deux corps, on peut calculer l'entropie maximale possible. L'apprentissage automatique applique la formule variationnelle de Donsker–Varadhan, où un réseau de neurones recherche la fonctionnelle optimale. Les inégalités cinétiques relient l'entropie au coefficient de diffusion et au temps de relaxation.
Résultats
Les méthodes ont été testées sur des systèmes modèles et expérimentaux. Dans le modèle de Vicsek, la transition du désordre au mouvement collectif s'accompagne d'une chute brutale de l'entropie, la contribution principale venant des degrés de liberté d'orientation et non de position. Pour des bactéries en essaim, l'analyse entropique a révélé une nouvelle transition, invisible via le paramètre d'ordre. Dans des empilements bloqués d'un mélange binaire de gouttes, la méthode des bornes supérieures a distingué des régimes gouvernés par différentes corrélations. Chiffres clés : l'entropie chute d'une quantité de l'ordre de 1–2 (en unités de $k_B$ par particule) lors de la transition de phase, et pour estimer l'entropie d'une distribution continue dans un espace à M dimensions, il faut de l'ordre de $q^{-M}$ échantillons, où q est la proportion d'événements rares.
Implications
Ce travail se distingue de ses voisins par son focus sur des systèmes physiques à degrés de liberté continus, où l'application directe d'estimateurs statistiques est impossible. Au lieu d'un algorithme universel, il propose d'utiliser des contraintes physiquement motivées, ce qui rend l'approche adaptée aux données expérimentales. C'est la première systématisation de méthodes qui ne se contentent pas d'estimer l'entropie, mais permettent aussi d'identifier les degrés de liberté dominants lors d'une transition.
Développements futurs
Les directions les plus prometteuses sont l'entropie quantique de von Neumann et la production d'entropie. Pour les systèmes quantiques, on peut dériver des bornes supérieures à partir des fonctions de corrélation, analogues aux classiques. La production d'entropie, liée à l'irréversibilité, est plus difficile à mesurer, mais de nouvelles méthodes fondées sur les réseaux de neurones et l'analyse croisée promettent des progrès. Une autre voie consiste à combiner des bornes issues de différentes sources pour isoler le mécanisme principal.
Impact
Les méthodes s'appliquent à la matière active, aux systèmes biologiques, aux milieux granulaires et aux simulateurs quantiques. Elles offrent aux expérimentateurs un outil pour détecter des transitions cachées sans connaître le modèle microscopique.
Prochaines étapes
Élaborer des expressions analytiques pour les bornes supérieures à partir de coefficients cinétiques, tels que la viscosité ou la conductivité. Généraliser les méthodes aux systèmes quantiques et les tester sur des données expérimentales issues d'atomes froids.
Problèmes ouverts clés
En physique statistique, la question du lien entre entropie statique et cinétique loin de l'équilibre reste ouverte. Ce travail propose des inégalités qui pourraient éclairer ce lien, mais leur précision et leur universalité restent à vérifier. On ignore aussi à quel point les bornes supérieures sont proches de l'entropie réelle dans les systèmes à corrélations à longue portée.
L'entropie d'une distribution continue peut être négative, contrairement au cas discret. On le voit sur l'exemple d'un pic étroit : plus le pic est étroit, plus l'entropie est petite, et à la limite elle tend vers moins l'infini.
Chiffres clés
- chute d'entropie lors de la transition: 1–2 k_B par particule
- nombre d'échantillons requis: q^{-M}, où q est la proportion d'événements rares, M la dimension
- dimension de l'espace des phases: typiquement 102–103
- entropie d'une distribution continue: peut être négative
- nombre de particules dans le modèle de Vicsek: de quelques centaines à quelques milliers