随机组织系统中的新兴通用长程结构

由随机诞生的秩序

乍一看，随机性和噪声似乎是秩序的敌人。我们会认为晃动一盒颗粒、搅动流体或用带噪更新训练神经网络会产生混乱而非结构。但本文展示了相反的可能性：在许多相互作用的要素之间的随机“踢动”可以自发地将它们组织成异常均匀的大尺度格局。作者揭示了这一隐含秩序背后的简单规则，将软物质物理、统计力学与现代机器学习联系了起来。

不同世界，相同的隐含行为

研究者考察了三类截然不同但都以局部相互作用逐步演化的系统。在随机组织中，重叠的粒子会被朝随机方向推动，模拟被摇晃的胶体。在有偏随机组织中，推动沿每对重叠粒子连线方向对齐，这与致密球体堆积有关。在随机梯度下降（深度学习的主力）中，“粒子”感受到来自能量景观的力，但每一步只更新随机选择的一部分。尽管这些系统在随机来源、运动规则和物理含义上各不相同，三者都随粒子密度增加从静止状态转入持续运动状态，而在这一活跃状态中出现了令人意外的大尺度有序。

密度波动中的通用图案

为探测出现的结构，作者测量了粒子密度在不同长度尺度上的波动。如果在不同大小的窗口中计数粒子，典型的无序系统在更大尺度上会显示更剧烈的变化。而在这里研究的系统中，长程波动被强烈抑制：大区域之间包含的粒子数几乎相同，尽管近看排列仍显无序。这一性质称为超均匀性，通常需要精细调参或长程力才能实现。然而在此，它远离任何临界点并仅靠短程相互作用就出现了。团队证明了一个单一量——作用粒子对之间噪声的相关性——支配了长程波动被削弱的强度。随着每对粒子随机踢动变得更趋相互抵消，波动被抑制的范围就会无界地增长。

从粒子到平滑场的桥梁

为解释这些发现，作者构建了一个对大量粒子进行平均的连续描述。从微观更新规则出发，他们推导出平滑密度场的涨落流体动力学方程。该方程将漂移、扩散与一个精心构造的随机通量结合起来，该通量保留了关键的成对噪声相关性。通过解析解与数值模拟求解这一连续理论，他们得到了一条紧凑的表达式来描述密度波动结构。在没有引入任何可调参数的情况下，这一公式对三类系统、不同空间维数和广泛的控制参数范围的粒子模拟都给出了定量匹配。关键在于：理论中保留噪声的结构，使其能够再现所观察到的大尺度有序。

有噪学习与平坦景观

该研究还阐明了机器学习中一个长期未解之谜：为什么像随机梯度下降这样的带噪算法倾向于落入损失景观中宽阔、“平坦”的谷地，而这些平坦谷已知对新数据有更好的泛化能力。把随机梯度下降视为能量景观上的随机组织粒子系统，作者测量了系统在其稳态附近小扰动下能量上升的难易程度。他们发现，更强的噪声相关性、更小的更新批量和更大的学习率都会将动力学推向更平坦的区域，这与深度神经网络中的观察一致。他们的连续理论将这种平坦性直接与同样由噪声控制的密度波动抑制联系起来，表明随机梯度下降偏爱平坦极小值是高维景观的通用特征，而非特定模型的特例。

意义何在与后续方向

对非专业读者而言，主要信息是噪声不必然是干扰：只要以合适的方式构造，噪声可以可靠地在从被摇动的颗粒到学习算法等系统中创造高度均匀的排列。该工作指出了成对噪声相关性是调节物质或信息如何在空间或构型空间中平滑分布的关键旋钮。这一见解为利用仅有短程相互作用和可控驱动来设计具有期望光学或机械性能的超均匀材料提供了实际路径。它也为以统一语言思考生态学、神经科学和人工智能等多样背景下的模式形成提供了框架，并暗示在某些场合加入“恰当”类型的随机性可能成为强有力的设计原则。

引用: 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

关键词: 自组织, 超均匀性, 随机梯度下降, 噪声驱动动力学, 随机组织系统