连续非平稳环境中自适应推断的瞬态热力学效率

自适应的物理和生物系统不断处理来自其环境的波动信息。当环境非平稳时，推断本身成为一个非平衡过程，伴随热力学成本。我们分析了一个最小的随机模型——一个受控参数跟随漂移Ornstein-Uhlenbeck信号的适应双井势中的欧默德粒子。利用随机热力学，我们推导了熵产生、相互信息率以及一个随时间变化的学习效率的显式表达式。高精度Langevin仿真揭示了在快速环境变化期间出现的学习效率瞬态峰值，这些峰值在稳态平均值中并不存在。这些结果识别了瞬态自适应 regime 作为信息能量转换的极致时刻，突出表明最大热力学学习性能是以瞬态而非稳态方式实现的。本工作中，环境被 treat 为外部驱动的随机信号，而非受控制的热力学子系统，因此其内在熵产生未被计入热力学账目。