Bagaimana kebisingan menciptakan ketertiban: Prinsip universal yang menghubungkan fisika dan pembelajaran mesin Kebisingan biasanya merupakan musuh struktur. Namun dalam sistem tertentu—dari suspensi koloid yang dicukur hingga algoritma pengoptimalan stokastik—interaksi lokal yang berisik secara paradoks menghasilkan tatanan spasial jarak jauh. Fenomena ini, yang disebut hiperuniformitas, menekan fluktuasi kepadatan pada skala besar, tetapi bagaimana hal itu muncul dari dinamika lokal dan berisik tetap menjadi pertanyaan terbuka selama dua dekade. Satyam Anand, Guanming Zhang, dan Stefano Martiniani mempelajari tiga sistem paradigmatik: organisasi acak (RO) dan organisasi acak bias (BRO) dari fisika materi lunak, dan penurunan gradien stokastik (SGD) dari pembelajaran mesin. Setiap sistem memiliki sumber kebisingan mikroskopis yang berbeda secara fundamental—arah tendangan acak dalam RO, besaran tendangan acak dalam BRO, dan pemilihan partikel acak dalam SGD—namun semuanya mengalami transisi fase penyerap-ke-aktif yang sama saat kepadatan partikel meningkat. Temuan kuncinya: terlepas dari perbedaan mikroskopis ini, ketiga sistem menampilkan perilaku jarak jauh universal yang identik, diatur oleh satu parameter—koefisien korelasi kebisingan c antara pasangan partikel. Ketika kebisingan berpasangan tidak berkorelasi (c = 0), sistem tetap tidak teratur. Saat c mendekati −1 (tendangan anti-korelasi, hemat momentum), skala panjang crossover untuk penekanan kepadatan menyimpang, dan sistem menjadi sangat hiperseragam. Penulis mengembangkan teori hidrodinamika yang berfluktuasi yang secara kuantitatif memprediksi faktor struktur di semua sistem tanpa parameter bebas. Mungkin yang paling mencolok adalah hubungan dengan pembelajaran mesin: kebisingan anti-korelasi yang sama yang menghasilkan hiperkeseragaman juga memihak SGD ke arah daerah yang lebih datar dari lanskap energi—fitur yang terkait dengan generalisasi yang kuat dalam jaringan saraf. Fraksi batch yang lebih rendah dan tingkat pembelajaran yang lebih tinggi, yang dikenal secara empiris untuk meningkatkan generalisasi, menghasilkan struktur jarak jauh yang lebih kuat dan minima yang lebih datar dalam sistem partikel. Implikasinya kuat: kecenderungan SGD untuk menemukan minimum datar bukanlah keanehan lanskap kehilangan jaringan saraf tetapi ciri khas universal dari optimasi stokastik di ruang berdimensi tinggi—membuka jalan baru mulai dari merancang bahan hiperseragam hingga memahami mengapa pembelajaran mendalam menggeneralisasi. Kertas: