摘要

长程时间相关性在动力学粗糙化过程中的作用十分重要,可能会影响表面形态和动态标度特性。这种相关性在生长过程中作为非局部相互作用,通过局部相互作用导致非平凡全局性质的出现,从而破坏了自仿射分形结构。在这项工作中,对两种典型的离散生长模型,即随机沉积和弹道沉积,在存在长程时间相关性的情况下进行了数值研究。独立使用了两种定量测量方法,即Hellinger距离和新颖性检测,来确定是否出现涌现现象。我们的模拟结果表明,在时间相关性指数超过临界阈值时,系统表现出涌现行为,这与存在长程时间相关性时非平凡的标度特性和表面形态是一致的。

研究领域:长程时间相关性,动力学粗糙化,涌现,Hellinger距离,新颖性检测,随机沉积,弹道沉积

 

论文题目:Emergence in kinetic roughening with long-range temporal correlations
发表时间:2025年2月18日
论文地址:https://journals.aps.org/pre/abstract/10.1103/PhysRevE.111.024124
期刊名称:Physical Review E
动力学粗糙化过程(Kinetic roughening processes)是指在物理学中描述表面随着时间演化,变得越来越粗糙的现象,这类过程通常发生在诸如材料沉积、界面生长、表面扩展等现象中,随着时间表面从平滑到不规则的过渡,而长程时间相关性是其影响因素。近期,Physical Review E的一项研究揭示了长程时间相关性(long-range temporal correlation)在表面动力学粗糙化中的关键作用:当时间关联强度超过临界值,系统会自发形成非平庸的全局结构,从而打破经典分形生长规律。


表面新模式涌现:两种定量检测方法

研究团队选取了随机沉积(RD)和弹道沉积(BD)两种经典离散生长模型,通过引入具有幂律衰减特性的关联噪声,系统模拟了不同时间关联强度θ下的表面演化。研究独创性地采用Hellinger距离和新颖性检测两种判定方式,定量识别涌现现象:

1. Hellinger距离:通过核密度估计比较不同时刻表面高度分布差异。研究发现,当时间关联指数θ>0.25时,Hellinger距离值持续上升,表明系统偏离初始统计特性,新秩序正在形成(图 1)

2. 新颖性检测:构建马氏距离(Mahalanobis distance)超椭球体界定“正常样本”。研究显示,当时间关联指数θ>0.35时,BD 模型中超出阈值的“异常样本”比例激增,标志不可预测的新模式涌现(图 2)

图 1. 不同时间相关噪声下 BD 模型中 Hellinger 距离与生长时间的关系分析:(a) θ= 0,(b) θ= 0.10,(c) θ= 0.20,(d) θ= 0.25,(e) θ= 0.35,(f) θ= 0.40。系统大小 L= 2048,生长时间 t = 10 000。所有结果均基于 10 次噪声实现取平均值。


图 2. 不同时间相关噪声下 BD 模型的新颖性与生长时间分析:(a) θ= 0,(b) θ= 0.10,(c) θ= 0.20,(d) θ= 0.25,(e) θ= 0.35,(f) θ= 0.40。系统大小 L = 512,生长时间 t = 20000。所有结果均基于 50 次噪声实现取平均值。



临界θc=0.25:表面生长的相变点

模拟结果显示,当时间关联指数θ跨越临界阈值0.25时,系统行为发生根本转变:
  • 弱关联区(θ<0.25):表面保持KPZ普适类自相似分形特征,粗糙度指数α≈0.5,符合经典标度律。
  • 强关联区(θ≥0.25):Hellinger距离曲线显著抬升,新颖性值跌破阈值0.8,表面出现规则“刻面化”形貌,此时局域粗糙度指数αloc≠α,反常标度取代传统Family-Vicsek标度。

图 3. 时间相关BD模型中表面形态的比较:(a)–(c) θ = 0.10,(d)–(f) θ = 0.25,(g)–(i) θ = 0.40。从左到右分别使用三个不同的生长时间 t = 100,t = 1000 和 t = 20000。


这种相变源于时间关联引发的非线性效应:沉积粒子不仅与近邻相互作用,还通过“记忆效应”与历史状态产生跨时空关联,形成自下而上(upward causation)的结构组装和自上而下(downward causation)的形态反馈。

图 4. BD模型的涌现机制示意图。黑色方框象征着微观层次上的单个组分,其中A和B表示正在生长的粒子。蓝色虚线表示这些粒子之间的相互作用。中心的椭圆形图示表示随时间演化的生长过程,而顶部的矩形图示则展示了在一定演化时间后生长系统所展现的宏观形态特征。向上的箭头表示向上的因果关系,侧面的向下弯曲箭头表示向下的反馈关系。



从沙堆到芯片:无序中的有序启示

研究首次将信息论方法引入表面生长分析,揭示了长程时间关联如何通过熵减机制驱动有序结构自发形成。这一发现为理解生物膜生长、纳米材料自组装等实际过程中的形态调控提供了新视角。未来,团队计划探索空间关联与量子效应对涌现行为的影响,向更普适的复杂系统理论迈进。

彭晨 | 编译

因果涌现读书会第六季

在霓虹灯的闪烁、蚁群的精密协作、人类意识的诞生中,隐藏着微观与宏观之间深刻的因果关联——这些看似简单的个体行为,如何跨越尺度,涌现出令人惊叹的复杂现象?因果涌现理论为我们揭示了答案:复杂系统的宏观特征无法通过微观元素的简单叠加解释,而是源于多尺度动态交互中涌现的因果结构。从奇异值分解(SVD)驱动的动态可逆性分析,到因果抽象与信息分解的量化工具,研究者们正逐步构建起一套跨越数学、物理与信息科学的理论框架,试图解码复杂系统的“涌现密码”。
为了系统梳理因果涌现最新进展,北京师范大学系统科学学院教授、集智俱乐部创始人张江老师领衔发起「因果涌现第六季」读书会,组织对本话题感兴趣的朋友,深入研读相关文献,激发科研灵感。
读书会将从2025年3月16日开始,每周日早9:00-11:00,持续时间预计10周左右。每周进行线上会议,与主讲人等社区成员当面交流,之后可以获得视频回放持续学习。诚挚邀请领域内研究者、寻求跨领域融合的研究者加入,共同探讨。


图片

推荐阅读
1. 前沿速递:演化的储备池计算机揭示预测性能和涌现动力学的双向耦合
2. 三种信息动力学:如何识别元胞自动机中的涌现?
3. 从复杂神经动力学到智能涌现:基于神经复杂性的类脑人工智能
4. 张江:第三代人工智能技术基础——从可微分编程到因果推理 | 集智学园全新课程
5. 解锁集智全站内容,开启新年学习计划

6. 加入集智,一起复杂!


点击“阅读原文”,报名读书会