Jak hluk vytváří řád: Univerzální princip spojující fyziku a strojové učení Hluk je obvykle nepřítelem struktury. Přesto v určitých systémech – od smykových koloidních suspenzí po stochastické optimalizační algoritmy – šumové lokální interakce paradoxně generují dlouhodobý prostorový řád. Tento jev, nazývaný hyperuniformita, potlačuje výkyvy hustoty ve velkých měřítkách, ale jak vzniká z čistě lokální, hlučné dynamiky, zůstává otevřenou otázkou již dvě desetiletí. Satyam Anand, Guanming Zhang a Stefano Martiniani studují tři paradigmatické systémy: náhodnou organizaci (RO) a zaujatou náhodnou organizaci (BRO) z fyziky měkkých hmot a stochastický gradientní sestup (SGD) ze strojového učení. Každý systém má zásadně odlišné mikroskopické zdroje šumu – náhodné směry kopu v RO, náhodné velikosti kopu v BRO a náhodný výběr částic v SGD – přesto všechny procházejí stejným fázovým přechodem z absorpce na aktivní při zvyšování hustoty částic. Klíčové zjištění: navzdory těmto mikroskopickým rozdílům všechny tři systémy vykazují identické univerzální chování na dlouhou vzdálenost, řízené jediným parametrem – koeficientem korelace šumu c mezi páry částic. Když je párový šum nekorelovaný (c = 0), systémy zůstávají neuspořádané. Jak c přibližuje k −1 (antikorelované, hybností zachovávající kopy), škála délky křížení pro potlačení hustoty se rozchází a systémy se stávají silně hyperuniformními. Autoři vyvíjejí kolísavou hydrodynamickou teorii, která kvantitativně předpovídá strukturální faktor napříč všemi systémy bez volných parametrů. Možná nejvýraznější je spojení se strojovým učením: stejný antikorelovaný šum, který vytváří hyperuniformitu, zároveň zkresluje SGD směrem k rovinatějším oblastem energetické krajiny – právě té vlastnosti spojené s robustní generalizací v neuronových sítích. Nižší frakce šarží a vyšší míry učení, které jsou empiricky známé jako zlepšující generalizaci, vedou jak k silnější dlouhodobé struktuře, tak k plošnějším minimům v částicových systémech. Důsledek je silný: tendence SGD hledat plochá minimá není zvláštností krajin ztráty neuronových sítí, ale univerzálním znakem stochastické optimalizace ve vysokorozměrných prostorech – otevírá nové cesty od navrhování hyperuniformních materiálů k pochopení, proč hluboké učení zobecňuje. Článek: