Un mini-moteur exploite le bruit pour convertir les informations en carburant

Trop de bruit de fond est généralement garanti pour perturber le travail. Mais les physiciens ont mis au point un moteur à micro-échelle – fabriqué à partir d’une perle de verre – qui peut non seulement résister à l’influence distrayante du bruit, mais aussi l’exploiter pour fonctionner efficacement. Leur expérience est rapportée dans la revue Lettres d’examen physique et a été sélectionné par la revue comme point culminant de la recherche.

Dans la vie de tous les jours, nous connaissons les engins et les moteurs qui consomment du carburant pour se déplacer de manière dirigée et ainsi effectuer un travail utile. Mais les choses sont plus compliquées dans le monde microscopique, où le bruit sous forme de chaleur peut facilement saboter les choses.

« La chaleur fait bouger les composants des petites machines tout le temps », explique l’auteur principal John Bechhoefer, physicien quantique à l’Université Simon Fraser à Burnaby, en Colombie-Britannique, et membre du Foundational Questions Institute, FQXi, un groupe de réflexion sur la physique. . Donc, généralement, l’effet d’un tel bruit thermique dû à la chaleur dans l’environnement est de réduire la quantité de travail utile qu’un petit moteur peut produire.

Mais il existe une famille spéciale de machines microscopiques, appelées « moteurs d’information », qui peuvent en fait exploiter le bruit pour se déplacer de manière dirigée. Un moteur d’information agit en mesurant de petits mouvements provoqués par la chaleur et en utilisant ces informations pour renforcer sélectivement les mouvements qui vont dans le « bon » sens, dans la direction requise par la machine.

« Un moteur d’information est une machine qui convertit l’information en travail », explique Bechhoefer.

Les physiciens et les ingénieurs sont enthousiastes à l’idée de construire de si petits moteurs d’exploitation d’informations pour concevoir de nouvelles machines microscopiques pour des applications nanotechnologiques. « Il y a un grand intérêt à s’inspirer des machines biomoléculaires que la nature a développées », déclare le co-auteur David Sivak, physicien également à la SFU. « Notre travail fait progresser notre compréhension de la manière dont les informations peuvent être utilisées dans de telles machines, en indiquant des utilisations possibles pour la récupération d’énergie durable ou un stockage et un calcul informatiques plus efficaces. »

« Un moteur d’information est une machine qui convertit l’information en travail », explique John Bechhoefer.

Bechhoefer, Sivak et leurs collègues de la SFU Tushar Saha, Joseph Lucero et Jannik Ehrich ont construit un moteur d’information utilisant une perle de verre microscopique – de la taille d’une bactérie – en suspension dans l’eau. Le cordon est maintenu en place de manière lâche par un faisceau laser qui agit comme un support sous le faisceau. Les molécules dans l’eau bousculent doucement la perle, en raison des fluctuations thermiques naturelles dans le liquide, et de temps en temps la perle sera secouée.

Voici l’astuce : lorsque l’équipe mesure que la perle s’est déplacée contre la gravité, en raison des fluctuations thermiques, elle soulève le support laser. Dans cette position plus élevée, la perle a maintenant plus d’énergie stockée, ou d’énergie potentielle gravitationnelle, comme une balle qui est tenue en l’air, prête à tomber.

L’équipe n’a pas eu à consacrer de travail pour soulever la particule; ce mouvement s’est produit naturellement grâce aux secousses des molécules d’eau. Ainsi, le moteur convertit la chaleur thermique de l’eau en énergie potentielle gravitationnelle stockée en utilisant la rétroaction sur le mouvement de la perle pour ajuster le piège laser. « La décision de lever ou non le piège, et si oui de combien, dépend des informations que nous recueillons sur la position de la perle, qui agit comme le » carburant « pour le moteur », explique l’auteur principal Saha.

C’est ainsi que cela fonctionne en principe, mais la mise en œuvre correcte de la stratégie est difficile s’il y a trop de bruit de mesure, généré dans le système à partir de la luminosité du faisceau laser utilisé pour localiser le cordon. Dans de tels cas, l’incertitude sur la position de la perle pour chaque mesure peut être supérieure aux mouvements de la perle produits par les molécules d’eau tremblantes. « Le bruit de mesure conduit à une rétroaction erronée et dégrade ainsi les performances », déclare Saha.

Moteur d’information « bayésien »

Les moteurs d’information typiques utilisent des algorithmes de rétroaction qui fondent les décisions sur la dernière mesure de la position du cordon, mais ces décisions peuvent être erronées lorsque les erreurs de mesure sont importantes. Dans leur récent article, l’équipe a voulu enquêter pour savoir s’il existait un moyen de contourner ce problème perturbateur.

Ils ont développé un algorithme de rétroaction qui ne reposait pas simplement sur une mesure directe de la dernière position de la perle – car cette mesure pouvait être inexacte – mais plutôt sur une mesure plus précise de la dernière position de la perle basée sur toutes les mesures précédentes. Cet algorithme de filtrage a ainsi pu tenir compte des erreurs de mesure dans l’élaboration de son estimation, appelée « estimation bayésienne ».

« En combinant de nombreuses mesures bruyantes de manière intelligente impliquant un modèle de la dynamique de la perle, on peut récupérer une estimation plus précise de la position réelle de la perle, atténuant considérablement les pertes de performances », explique Lucero.

Dans leur nouvelle expérience, rapportée dans Lettres d’examen physique, l’équipe a démontré qu’un moteur d’information qui applique des commentaires basés sur ces estimations bayésiennes fonctionne nettement mieux que les moteurs d’information classiques, lorsque les erreurs de mesure sont importantes. En fait, la plupart des moteurs d’information typiques s’arrêteront si les erreurs de mesure sont trop importantes.

« Nous avons été surpris de constater que lorsque les erreurs de mesure dépassent un seuil critique, le moteur naïf ne peut plus fonctionner comme un pur moteur d’information : la meilleure stratégie consiste simplement à baisser les bras et à ne rien faire », explique Ehrich. « En revanche, le moteur d’information bayésien est capable de produire un petit travail positif quelle que soit la quantité d’erreur de mesure. »

Il y a un prix à payer pour la capacité du moteur d’information bayésien à extraire de l’énergie même avec de grandes erreurs de mesure. Étant donné que le moteur bayésien utilise les informations de toutes les mesures précédentes, il a besoin de plus de capacité de stockage et implique davantage de traitement d’informations.

« Un compromis survient parce que la réduction de l’erreur de mesure augmente le travail extractible des fluctuations, mais augmente également les coûts de traitement de l’information », explique Ehrich. L’équipe a ainsi trouvé une efficacité maximale à un niveau intermédiaire d’erreur de mesure, où elle pouvait atteindre un bon niveau d’extraction d’énergie, sans nécessiter trop de traitement.

« Il y a un grand intérêt à s’inspirer des machines biomoléculaires que la nature a développées », explique David Sivak.

L’équipe étudie actuellement comment les choses pourraient changer si le bruit qui « alimente » le moteur provient d’autre chose que de la chaleur. « Nous préparons un article qui étudie comment la stratégie de rétroaction optimale et les performances changent lorsque les fluctuations ne sont plus simplement thermiques », explique Saha, « mais surviennent également en raison de la consommation d’énergie active dans le milieu environnant, comme c’est le cas dans les cellules vivantes ». . »