想了解一台分子机器的内部结构，未必能看清它的每一步动作，却可能测到它工作时的随机起伏。物理学家已经知道，这些起伏受到能量耗散和内部环路的共同约束。但格物的研究员发现，在一类理想化网络中，即使添上一条会被实际走到的新通道，熵流的涨落也可以丝毫不变。变化的反而是理论给出的最低涨落。这个差别决定了：从噪声反推结构时，哪些信息能够得到，哪些可能被漏掉。

五座橙色岛屿组成环形通道，一条青色桥连接其中两个不相邻的岛屿。
封面：岛屿象征机器的内部状态，橙色通道组成原有环路，青色桥象征新增的对称通道。新通道改变了可走的环路，却可以不改变熵流的涨落；画面是概念插画，不是分子结构或实验数据。

一台酶可以先结合原料，再改变形状，随后释放产物，最后回到起点。这样的过程能不断重复，但单次过程并不准时：有时等待较久，有时还会倒退。大量机器同时工作时，这些差异容易被平均掉；观察单个小系统时，它们就成为不可忽视的噪声。

噪声也可能提供线索。假如不同内部结构允许的最低噪声不同，那么一次测量就可能排除某些结构。研究者不必先辨认每个中间状态，也能问：要产生如此稳定的输出，机器内部至少需要怎样的过程？这正是热力学涨落下限令人感兴趣的原因。

不过，排除一种结构，与确定唯一结构，是两回事。新论文给出了一个可以精确计算的例子：两套不同的通道结构，能够留下完全相同的长期熵流统计。要理解这个结果，首先得看清理论究竟约束了什么。

给每次跳跃记一笔账

把机器的内部状态画成一些点，允许发生的状态变化画成连线，就得到一个网络。这里的线没有真实的空间长度；它只表示两种状态之间可以直接转换。同一条线允许双向转换，两个方向可以有不同速率。

速率不是“每秒一定走几次”。它描述的是在很短时间内发生一次跳跃的概率有多大。例如，每秒2的速率意味着，在足够短的一小段时间里，跳跃概率约等于2乘以这段时间的秒数。即使速率固定，每次实际等待的时长仍然随机。

论文研究的模型还要求：系统下一步的概率只由当前状态决定，不依赖更早的经历。这是马尔可夫模型。经过充分长的时间，各状态被占据的比例不再改变，系统便处于稳态。稳态不意味着停止运动：顺向和逆向的平均流量可以不相等，机器仍在持续工作和耗散能量。

要把跳跃与热力学联系起来，可以给每一步记一笔熵账。在这类模型的热力学描述中，从状态ii跳到状态jj，对应的无量纲环境熵增为ln⁡(kij/kji)\ln(k_{ij}/k_{ji})。这里kijk_{ij}和kjik_{ji}分别是两个方向的速率，ln⁡\ln表示自然对数；熵以玻尔兹曼常数为单位。两个速率相等，这笔账就是零；顺向速率是逆向的两倍，顺向便记ln⁡2\ln 2，逆向记−ln⁡2-\ln 2。

把观察时间tt内的所有账目相加，记为S(t)S(t)。它就是累积的环境熵流。一条随机轨迹的账目可以暂时减少，但在非平衡稳态下，长期平均的增长率为正，等于熵产生率。这里要比较的不只是平均增长，也包括重复观察时，这个总数会有多大起伏。

论文用一个称为法诺因子的量衡量这种起伏：

Fs=lim⁡t→∞Var⁡[S(t)]⟨S(t)⟩. F_s=\lim_{t\to\infty}\frac{\operatorname{Var}[S(t)]}{\langle S(t)\rangle}.

尖括号表示许多次观察的平均，Var⁡\operatorname{Var}表示方差，也就是偏离平均值的平方再取平均；下标ss标明所观察的是熵流。在这里，时间足够长后，平均值和方差都随时间近似成比例增长，二者的比值趋于固定值。采用同一套熵单位和定义时，法诺因子越大，意味着每单位平均熵流伴随的起伏越大。

为什么熵账值得关注？它把维持定向运动的热力学代价与随机起伏放进了同一个描述中。2015年，Andre C. Barato和Udo Seifert提出热力学不确定性关系：在相应稳态模型中，输出越精确，就越需要付出耗散代价。对这里的熵流而言，它给出一个简单的长期下限：Fs≥2F_s\geq 2。原始研究随后启发了利用内部网络信息进一步收紧下限的工作。

这个“2”不是机器应该产生的噪声，而是一条不能越过的边界。实际值可以高出很多。要进一步提高边界，必须了解网络允许哪些环路。

一条环路，平均每步有多大驱动？

沿网络走一圈，回到起点，中途不重复经过任何状态，这样的路径称为简单环路。把沿途每一步的熵账相加，就得到这一圈的总驱动，专业名称是环路亲和力。它比较了沿一个方向绕圈与反向绕圈的速率乘积；两个乘积相等，总驱动便为零。

同样的总驱动，如果分在更多步骤上，平均每步就会更小。更强的涨落下限取决于一个参数rr：逐一考察所有总驱动非零的简单环路，将总驱动的绝对值除以步数，再选最小的比值。绝对值使结果不依赖我们把哪个方向叫作正向。

Patrick Pietzonka、Barato和Seifert在2016年证明了包含这一参数的涨落界。对熵流，它要求：

Fs≥r coth⁡ ⁣(r2). F_s\geq r\,\coth\!\left(\frac r2\right).

这里coth⁡x=(ex+e−x)/(ex−e−x)\coth x=(e^x+e^{-x})/(e^x-e^{-x})，称为双曲余切。读者不必记住这个函数，只需掌握边界的变化：rr越大，下限越高；rr趋于零时，下限趋于2。内部环路信息因此可以提供比基本热力学约束更严格的限制。2016年的证明也说明，均匀的单环网络可以达到相应的界。

新论文先澄清了一个使用上的细节：取最小值时，要排除总驱动为零的环路。把零也纳入，就会立即得到r=0r=0，丢掉这项改进。沿一条边走过去再原路回来也不算这里的简单环路，否则每个双向网络都会有一个这样的零。格物的研究员还通过反例核验，选择最大的每步驱动来代替最小值，会给出实际涨落能够违反的错误“下限”。

现在考虑一个五状态环：每个状态都有一条顺向通道和一条逆向通道，顺向速率统一为每秒2，逆向统一为每秒1。顺向走完五步，总熵账是5ln⁡25\ln 2，所以r=ln⁡2r=\ln 2。

这种均匀环恰好达到下限。它的熵流法诺因子为3ln⁡23\ln 2，约为2.0794。在这个模型中，理论边界与实际涨落重合，因而它提供了一个适合比较的起点。

上图显示五状态环的五步路径，下图增加状态1与3之间的对称通道，并突出新出现的三步环路。
图1：同一个五状态网络，顺向速率为每秒2，逆向为每秒1。箭头标出所比较环路的绕行方向，每条连线实际上均可双向通行。上图每一步都贡献ln⁡2\ln 2；下图新增的青色通道贡献零，使三步环的总驱动只有2ln⁡22\ln 2，平均每步因而更小。图中AA表示环路总驱动，ΔS\Delta S表示单步熵增。示意图依据论文第4.4节绘制。

添上一条通道，改变的是边界

格物的研究员在状态1和状态3之间加上一条新通道。两个方向的速率都为ε\varepsilon，希腊字母ε\varepsilon在这里表示新增通道的跃迁速率。它可以很大，也可以小到机器极少使用这条路。

只要ε>0\varepsilon>0，新的三角环路就存在：从1沿原来的环走到2、再走到3，随后通过新通道回到1。前两步各记ln⁡2\ln 2，最后一步的正反速率相等，记零。这一圈的总驱动为2ln⁡22\ln 2，分在三步上，平均每步为2ln⁡2/32\ln 2/3。

五状态网络还出现了另一个四步环，它的平均每步驱动为3ln⁡2/43\ln 2/4。与原有五步环一起比较，最小的是三步环。因此，新参数变为r=2ln⁡2/3r=2\ln 2/3，对应的下限约为2.0355，比原来低了。

奇怪的事情发生在实际涨落上：它仍为2.0794。新通道没有把机器的熵流变得更稳定，也没有把它变得更嘈杂。

仅仅说“新通道不产生熵”还不足以解释这个结果。一条不记熵账的路，也可能把机器送往动作更快或更慢的状态，从而改变后面的统计。这个例子能保持不变，关键在于原有环的均匀性。

在任何一个状态，机器沿原环顺向跳跃的速率始终是每秒2，逆向始终是每秒1。使用新通道后，这两个速率仍然相同。机器虽然到了另一个状态，却没有进入一种不同的熵流节奏：产生正账目的机会没有变，产生负账目的机会也没有变；额外发生的跳跃只添加零账目。

论文把这一观察写成了解析证明。计算整个熵流统计时，要把各方向的跳跃按所记的熵重新加权。在均匀环上，不管从哪个状态出发，重新加权后的总变化率都相同。新增的对称通道同时增加一项流入和一项流出，二者在这个总和中抵消。因此，控制熵流长期统计的量保持原值。

这比“平均值和方差碰巧一样”更强：它保证整套长期熵流涨落统计都不变，包括罕见偏离平均值的行为。这个结论属于上述特殊网络的数学结果；它并不表示机器的每条运动轨迹相同，也不表示分别记录各条通道的跳跃次数会看不到差别。

随新增通道速率增大，模型的实际法诺因子保持不变；理论下限在通道从不存在变为存在时跳低，此后保持恒定。
图2：五状态环的解析结果，速率设置同图1。橙色实线是模型的实际法诺因子，青色虚线是包含环路信息的下限。速率为零时下限也在上方实心点；下方空心点表示该处不取这个值。无论新增通道有多弱，只要速率为正，下限与实际值之间都有约0.0440的差距。曲线由论文公式计算，不是实验测量。

如果逐渐减小ε\varepsilon，两条曲线也不会逐渐靠近。对所有正的ε\varepsilon，它们之间的差距一样大；只有通道彻底消失，下限才回到实际值。这并不意味着机器的物理行为突然改变，而是因为下限的参数只询问“这条路能否走通”。它没有把使用这条路的频率计入。

噪声留下的结构信息有多少？

解析例子告诉我们机制，计算核验则帮助检验定义与实现。格物的研究员枚举了四状态多环网络中所有连线速率取1、2或3的情况。这个范围包含全连接网络以及删掉一条连线的六种带编号网络，共877,626个非平衡系统。研究还检查了近492万个边电流。

这些情况都没有违反所检查的涨落界。但“全部核验”有具体边界：它指有限速率网格和指定网络大小，不是所有可能的机器。涉及完整涨落统计的比较，也只在有限个参数点进行。扫描采用普通浮点运算，精确算术用于判定零驱动等关键问题，报告的极端案例再以80位精度和不同计算路径复核。因此，这是一项大范围计算审计；界在一般模型中成立，仍依靠此前的数学证明。

这项审计也没有把“只有均匀环能达到熵流下限”变成普遍定理。在论文穷举的范围内，达到下限的是均匀单环，其他情形是否可能出现等号，仍需要证明。对称通道的例子回答了一个更具体的问题：沿着这一族网络不断削弱新通道，不能使多环网络逐渐贴近下限。

对于想由噪声推断结构的人，这个区别很实际。如果一项理论下限高于测得的法诺因子，在模型假设适用时，它可以排除对应的候选结构。但候选结构的下限低于测量值，并不能说明它就是正确结构。更不能把“离下限较远”直接归因于机器运行得不好：差距也可能来自下限所采用的结构信息过于粗略。

还有一个限制更直接。原环与加了对称通道的环，长期熵流统计完全一样。仅凭这份统计，就无法判别那条新通道是否存在。若要区分二者，必须增加其他观察，例如直接辨认状态之间的跳跃，或记录新通道的使用次数。论文并没有证明所有可测量信号都相同。

哪些其他网络变形也能保持熵流统计不变？哪些内部结构可以由不同的电流统计区分？论文留下的这些问题，需要进一步分类和证明。它们关系到的不是测量仪器够不够精密，而是选定的观测量究竟保留了多少结构信息。

回到那条极少使用的新通道：它真实地改变了机器可以怎样走，却没有改变这本熵账的长期起伏。噪声确实能约束内部结构，但读懂这份线索，还得分清实际的随机起伏，与理论给出的最低起伏。

研究依据：当前目录的原始论文，重点为第4.1、4.3、4.4节及第7节。封面与正文图均为本篇原创程序绘图；正文图的布局与数值可由随附绘图源文件重新生成。