MADRID, 15 (EUROPA PRESS)
Su experimento se informa en la revista Physical Review Letters y fue seleccionado por la revista como investigación destacada.
En la vida cotidiana, estamos familiarizados con motores que consumen combustible para moverse de manera dirigida y así realizar un trabajo útil. Pero las cosas son más complicadas en el mundo microscópico, donde el ruido en forma de calor puede arruinar fácilmente las cosas.
"El calor hace que los componentes de las máquinas pequeñas se muevan de un lado a otro todo el tiempo", explica el autor principal John Bechhoefer, físico cuántico de la Universidad Simon Fraser (SFU) y miembro del Foundational Questions Institute, FQXi, un grupo de expertos en física. Por lo general, el efecto de dicho ruido térmico del calor en el ambiente es reducir la cantidad de trabajo útil que puede producir un motor diminuto.
Pero hay una familia especial de máquinas microscópicas, llamadas "motores de información" que en realidad pueden explotar el ruido para moverse de forma dirigida. Un motor de información actúa midiendo pequeños movimientos provocados por el calor y utilizando esa información para reforzar selectivamente aquellos movimientos que van en la dirección "correcta", en la dirección que requiere la máquina.
"Un motor de información es una máquina que convierte la información en trabajo", dice Bechhoefer.
Los físicos y los ingenieros están entusiasmados con la construcción de motores de aprovechamiento de información tan diminutos para diseñar nuevas máquinas microscópicas para aplicaciones de nanotecnología. "Hay un gran interés en inspirarse en las máquinas biomoleculares que la naturaleza ha desarrollado", dice el coautor David Sivak, físico también en SFU. "Nuestro trabajo avanza en nuestra comprensión de cómo se puede utilizar la información en tales máquinas, lo que apunta a posibles usos para la recolección de energía sostenible o el almacenamiento y la computación de computadoras más eficientes".
Bechhoefer, Sivak y sus colegas de SFU han construido un motor de información utilizando una microesfera de vidrio, del tamaño de una bacteria, suspendida en agua. La 'perla' se mantiene suelta en su lugar mediante un rayo láser que actúa como un soporte debajo del rayo. Las moléculas en el agua la empujan suavemente, debido a las fluctuaciones térmicas naturales en el líquido, y de vez en cuando la perla será golpeada.
Aquí viene el truco: cuando el equipo mide que la perla se ha movido contra la gravedad, debido a las fluctuaciones térmicas, elevan el soporte del láser. En esta posición más alta, el dispositivo ahora tiene más energía almacenada, o energía potencial gravitacional, como una pelota que se sostiene en alto, lista para caer.
El equipo no ha tenido que gastar trabajo para levantar la partícula; ese movimiento ocurrió naturalmente gracias a las sacudidas de las moléculas de agua. Entonces, el motor convierte el calor térmico del agua en energía potencial gravitatoria almacenada usando retroalimentación sobre el movimiento de la perla para ajustar la trampa láser. "La decisión sobre si se debe levantar la trampa y, de ser así, cuánto, depende de la información que recopilamos sobre la posición de la perla, que actúa como 'combustible' para el motor", dice el autor principal Saha.
Así es como funciona en principio, pero implementar correctamente la estrategia es difícil si hay demasiado ruido de medición, generado en el sistema por el brillo del rayo láser utilizado para localizar la perla. En tales casos, la incertidumbre en la posición de la perla para cada medición puede ser mayor que los movimientos de la perla producidos por las moléculas de agua moviéndose. "El ruido de la medición conduce a una retroalimentación equivocada y, por lo tanto, degrada el rendimiento", dice Saha.
Los motores de información típicos utilizan algoritmos de retroalimentación que basan las decisiones en la última medición de la posición de la perla, pero estas decisiones pueden ser incorrectas cuando los errores de medición son grandes. En su artículo reciente, el equipo quería investigar si había alguna forma de sortear este problema disruptivo.
Desarrollaron un algoritmo de retroalimentación que no se basaba simplemente en una medición directa de la última posición de la cuenta, ya que esta medición podría ser inexacta, sino en una medición más precisa de la última posición de la cuenta que se basaba en todas las mediciones anteriores. Por lo tanto, este algoritmo de filtrado pudo permitir errores de medición al hacer su estimación, llamada "estimación bayesiana".
"Al combinar muchas mediciones ruidosas de una manera inteligente que involucra un modelo de la dinámica de la perla, se puede recuperar una estimación más precisa de la posición real de la perla, mitigando significativamente las pérdidas de rendimiento", dice Lucero.
En su nuevo experimento, el equipo demostró que un motor de información que aplica retroalimentación basada en estas estimaciones bayesianas funciona significativamente mejor que los motores de información típicos, cuando los errores de medición son grandes. De hecho, la mayoría de los motores de información típicos se detendrán si los errores de medición son demasiado grandes.
