Сёрфер лежит на доске вдали от берега. Волны приходят и уходят, но он не тратит силы, пока не видит ту самую, которая быстро нарастает. В этот короткий миг он вскакивает, гребёт изо всех сил и скользит по склону. Его эффективность максимальна именно в момент синхронизации с волной, а не когда он спокойно покачивается на воде. Так же и адаптивные системы, от биологических сенсоров до алгоритмов онлайн-обучения, достигают пика преобразования энергии в информацию не в устойчивом покое, а в переходные мгновения, когда среда резко меняется.

Представьте частицу, которая может находиться в одной из двух ям энергетического ландшафта, как шарик в одной из двух лунок. Глубина лунок зависит от управляющего параметра, который, в свою очередь, пытается следовать за внешним сигналом. Сигнал этот не стоит на месте, а медленно дрейфует, как уровень воды в лагуне, куда приходят приливы разной силы. Когда среда меняется, параметр вынужден перестраиваться, и система выходит из равновесия. В такие моменты она производит энтропию, то есть рассеивает энергию, и одновременно получает информацию о среде. Отношение скорости получения информации к скорости рассеяния энергии и есть мгновенная эффективность обучения.

Численные симуляции, проведённые методом Эйлера–Маруямы с шагом 0.001 и усреднением по 30 реализациям длиной 100 000 шагов, показали: когда среда быстро меняется, производство энтропии и скорость получения информации возрастают, но пики эффективности не совпадают точно с пиками диссипации. Это означает, что система может тратить много энергии, но не учиться, если её внутренний ритм не совпал с ритмом внешнего сигнала. При усреднении по ансамблю пики сглаживаются, средняя эффективность затухает до нуля, что подтверждает чисто переходный характер оптимального преобразования информации в энергию. Найдена эмпирическая зависимость максимальной эффективности от параметров: она убывает как корень из произведения скорости адаптации и времени дрейфа среды.

До этой работы было неясно, как ведёт себя термодинамическая эффективность обучения в непрерывно меняющейся среде, где нет стационарного состояния. Теперь стало понятно, что максимальная эффективность преобразования энергии в информацию достигается в короткие переходные моменты, когда система быстро адаптируется к изменениям среды, а не в устойчивом режиме. Построили минимальную модель адаптивной частицы в потенциале, отслеживающем дрейфующий сигнал, и численно исследовали мгновенные термодинамические величины. Такой подход смещает фокус с усреднённых характеристик на траекторный анализ и подчёркивает важность временной корреляции между внутренней динамикой системы и внешним сигналом.

Сёрфер не тратит силы на каждую волну подряд. Он ждёт нужный момент, когда волна крутая и быстрая, и тогда вкладывает всю энергию в несколько мощных гребков. Адаптивные системы в меняющемся мире делают то же самое: их термодинамическая производительность максимальна не в спокойном плавании, а в коротком рывке, когда они синхронизируются с переменой. Это знание может пригодиться при проектировании энергоэффективных сенсоров и алгоритмов, которым важно быстро обучаться в моменты изменений, а не тратить ресурсы на постоянное поддержание равновесия.