Entstehende universelle Fernstruktur in random-organisierenden Systemen

Ordnung, geboren aus Zufall

Auf den ersten Blick wirken Zufall und Rauschen wie Gegner der Ordnung. Man erwartet, dass das Schütteln einer Schachtel mit Teilchen, das Rühren einer Flüssigkeit oder das Trainieren eines neuronalen Netzes mit verrauschten Updates Unordnung, nicht Struktur hervorbringt. Diese Arbeit zeigt, dass das Gegenteil möglich ist: zufällige »Stöße« zwischen vielen wechselwirkenden Elementen können sie spontan zu ungewöhnlich gleichmäßigen, großskaligen Mustern ordnen. Die Autoren legen eine einfache Regel offen, die dieser verborgenen Ordnung zugrunde liegt und weiche Materiephysik, statistische Mechanik und moderne Maschinenlernverfahren verbindet.

Verschiedene Welten, dasselbe verborgene Verhalten

Die Forschenden untersuchen drei sehr unterschiedliche Systeme, die sich alle schrittweise entwickeln, während Teilchen lokal miteinander wechselwirken. Bei der random organization werden überlappende Teilchen in zufällige Richtungen gestupst, was geschüttelte Kolloide nachahmt. Bei der biased random organization sind die Stöße entlang der Verbindungslinie jedes überlappenden Paars ausgerichtet, ein Szenario, das mit dichten Kugelpackungen in Verbindung steht. Beim stochastischen Gradientenabstieg, dem Arbeitspferd des Deep Learnings, erfahren die »Teilchen« Kräfte, die aus einer Energielandschaft abgeleitet sind, aber nur eine zufällig ausgewählte Teilmenge wird in jedem Schritt aktualisiert. Trotz dieser Unterschiede — verschiedene Quellen des Zufalls, unterschiedliche Bewegungsregeln und unterschiedliche physikalische Bedeutungen — wechseln alle drei Systeme mit wachsender Teilchendichte von einem ruhigen Zustand in einen dauerhaft bewegten Zustand, und gerade in diesem aktiven Regime tritt überraschende großskalige Ordnung auf.

Ein universelles Muster in Dichteschwankungen

Um die entstehende Struktur zu untersuchen, messen die Autor:innen, wie die Teilchendichte über verschiedene Längenskalen hinweg schwankt. Zieht man Fenster unterschiedlicher Größe und zählt die darin liegenden Teilchen, zeigt ein typisches ungeordnetes System immer wildere Variationen auf größeren Skalen. In den hier untersuchten Systemen sind diese Fernschwankungen stark unterdrückt: große Regionen enthalten nahezu die gleiche Teilchenzahl, obwohl die Anordnung aus der Nähe weiterhin ungeordnet wirkt. Diese Eigenschaft, Hyperuniformität genannt, erfordert normalerweise feine Abstimmung oder langreichweitige Kräfte. Hier aber tritt sie weit entfernt von kritischen Punkten und allein mit kurzreichweitigen Wechselwirkungen auf. Das Team zeigt, dass eine einzige Größe — die Korrelation des Rauschens zwischen jedem Paar wechselwirkender Teilchen — steuert, wie stark Fernschwankungen reduziert werden. Werden die zufälligen Stöße jedes Paares immer stärker voneinander entgegengerichtet, wächst der Bereich, in dem Schwankungen unterdrückt werden, ohne Grenze.

Eine Brücke von Teilchen zu glatten Feldern

Zur Erklärung dieser Befunde entwickeln die Autor:innen eine kontinuierliche Beschreibung, die über viele Teilchen mittelt. Ausgehend von den mikroskopischen Update-Regeln leiten sie eine fluktuierende hydrodynamische Gleichung für das glatte Dichtefeld her. Diese Gleichung kombiniert Drift, Diffusion und einen sorgfältig konstruierten zufälligen Fluss, der die wesentlichen paarweisen Rauschkorrelationen bewahrt. Löst man diese Kontinuumstheorie — sowohl analytisch als auch mit numerischen Simulationen — so erhält man einen kompakten Ausdruck für die Struktur der Dichteschwankungen. Ohne einstellbare Parameter stimmt diese Formel quantitativ mit den Teilchensimulationen für alle drei Systeme, verschiedene Raumdimensionen und ein breites Spektrum von Kontrollparametern überein. Entscheidend ist, dass das Beibehalten der Rauschstruktur in der Theorie es ermöglicht, die beobachtete großskalige Ordnung zu reproduzieren.

Rauschhaftes Lernen und flache Landschaften

Die Studie liefert auch Einsichten zu einem langjährigen Rätsel im Maschinenlernen: warum verrauschte Algorithmen wie der stochastische Gradientenabstieg dazu neigen, in breiten, »flachen« Tälern der Verlustlandschaft zu landen, die bekanntermaßen besser generalisieren. Indem sie den stochastischen Gradientenabstieg als random-organisierendes Teilchensystem auf einer Energielandschaft betrachten, messen die Autoren, wie leicht die Energie des Systems unter kleinen Störungen um seine stationären Zustände ansteigt. Sie finden, dass stärkere Rauschkorrelationen, kleinere Update-Batches und größere Lernraten die Dynamik in Richtung flacherer Regionen treiben — genau wie in tiefen neuronalen Netzen. Ihre Kontinuumstheorie verbindet diese Flachheit direkt mit derselben rauschgesteuerten Unterdrückung von Dichteschwankungen und legt nahe, dass die Neigung des stochastischen Gradientenabstiegs, flache Minima zu bevorzugen, ein universelles Merkmal hochdimensionaler Landschaften ist und keine Besonderheit spezifischer Modelle.

Warum das wichtig ist und was als Nächstes kommt

Für den allgemeinen Leser lautet die Kernbotschaft: Rauschen muss kein Ärgernis sein — wenn es richtig strukturiert ist, kann es zuverlässig hochgradig gleichmäßige Anordnungen in Systemen erzeugen, die von geschüttelten Teilchen bis zu Lernalgorithmen reichen. Die Arbeit identifiziert paarweise Rauschkorrelation als den zentralen Regler, der steuert, wie gleichmäßig Materie oder Information über Raum bzw. Konfigurationsraum verteilt wird. Diese Einsicht eröffnet praktische Wege zur Gestaltung hyperuniformer Materialien mit erwünschten optischen oder mechanischen Eigenschaften allein durch kurzreichweitige Wechselwirkungen und kontrolliertes Treiben. Sie liefert außerdem eine vereinheitlichende Sprache, um Musterbildung in so unterschiedlichen Kontexten wie Ökologie, Neurowissenschaften und künstlicher Intelligenz zu denken, und schlägt neue Wege vor, bei denen das Hinzufügen genau der »richtigen« Form von Zufälligkeit ein mächtiges Gestaltungsprinzip sein könnte.

Zitation: Anand, S., Zhang, G. & Martiniani, S. Emergent universal long-range structure in random-organizing systems. Nat Commun 17, 2346 (2026). https://doi.org/10.1038/s41467-026-68601-2

Schlüsselwörter: Selbstorganisation, Hyperuniformität, stochastischer Gradientenabstieg, rauschgetriebene Dynamik, random-organisierende Systeme