[论文解读] Maximizing free energy gain

Artemy Kolchinsky, Iman Marvian+7 more|arXiv (Cornell University)|Apr 28, 2017

Advanced Thermodynamics and Statistical Mechanics参考文献 2被引用 3

一句话总结

本文通过优化初始状态分布，推导出在经典和量子随机过程中最大化自由能增益与可提取功的闭式解。结果表明该问题为凸优化问题，可通过梯度下降求解，最优自由能增益由初始状态与最终状态之间Kullback-Leibler散度的差异量化，从而实现最优与次优协议的直接比较。

ABSTRACT

Maximizing the amount of work harvested from an environment is important for a wide variety of biological and technological processes, from energy-harvesting processes such as photosynthesisto energy storage systems such as fuels and batteries. Here we consider the maximization of free energy -- and by extension, the maximum extractable work -- that can be gained by a classical or quantum system that undergoes driving by its environment. We consider how the free energy gain depends on the initial state of the system, while also accounting for the cost of preparing the system. We provide simple necessary and sufficient conditions for increasing the gain of free energy by varying the initial state. We also derive simple formulae that relate the free energy gained using the optimal initial state rather than another suboptimal initial state. Finally, we demonstrate that the problem of finding the optimal initial state may have two distinct regimes, one easy and one difficult, depending on the temperatures used for preparation and work extraction. We illustrate our results on a simple model of an information engine.

研究动机与目标

• 确定在经典和量子随机过程中，使自由能增益最大化的初始概率分布。
• 比较从最优与次优初始状态中可提取的最大功。
• 建立在过程中温度与势能变化时，最大自由能增益被保证实现的条件。
• 证明自由能采集的优化问题为凸问题，从而可通过梯度下降实现全局优化。
• 将非平衡热力学与量子资源理论扩展，推导在任意约束条件下最大功提取与自由能增益的一般公式。

提出的方法

• 推导非平衡自由能表达式 $ F(p) = \langle E \rangle - \tau S $，其中 $ \tau $ 为温度，$ S $ 为熵。
• 将可提取功表示为 $ W^{ex} = \tau D(p \| p_{th}) $，利用系统状态与热平衡态之间的Kullback-Leibler散度。
• 应用变分法结合拉格朗日乘子，以在能量、体积、粒子数等约束下最大化自由能增益。
• 推导定理4：$ \Delta G(q_0) - \Delta G(r_0) = \tau_0 D(r_0 \| q_0) - \tau_1 D(r_1 \| q_1) $，量化最优与次优初始状态之间自由能增益的差异。
• 证明自由能增益函数的凸性，确保通过梯度下降可实现全局最优。
• 将结果扩展至在完全正映射下演化的量子系统，表明该形式化方法在量子领域同样适用。

实验结果

研究问题

• RQ1 在温度与外势随时间变化的经典随机过程中，何种初始概率分布可使自由能增益最大化？
• RQ2 最优初始态与次优初始态之间可提取功的差异如何？这一差异由什么决定？
• RQ3 在最终温度低于初始温度时，最大自由能增益在何种条件下可被保证实现？
• RQ4 最优自由能采集问题是否可表述为凸优化问题？若是，如何高效求解？
• RQ5 这些结果在由完全正映射控制的量子随机过程中，其普适性如何？

主要发现

• 当初始态在过程约束下最小化与最终态的Kullback-Leibler散度时，可实现最大自由能增益。
• 最优与次优初始态之间自由能增益的差异为 $ \Delta G(q_0) - \Delta G(r_0) = \tau_0 D(r_0 \| q_0) - \tau_1 D(r_1 \| q_1) $，当 $ \tau_1 \leq \tau_0 $ 时该值恒为非负，确保最优性。
• 自由能采集的优化问题为凸问题，意味着不存在局部最优解，且可通过梯度下降实现全局收敛。
• 该结果适用于在完全正映射下演化的经典与量子系统，将理论框架扩展至非平衡热力学之外。
• 该框架支持在整个过程中温度、压强、化学势及其他广义共轭力的变化，从而实现对动态环境中能量采集的现实建模。
• 对于光合生物等生物系统，该模型解释了进化压力如何促使优化初始态制备以最大化自由能增益，尤其在环境条件变化时更为显著。