Bir hücre, dışarıdan gelen kimyasal sinyali algılayıp buna uygun bir tepki üretmek zorundadır. Benzer şekilde yapay bir sinir ağı, değişen girdilere anlık olarak uyum sağlamaya çalışır. Her iki durumda da ortak bir sorun vardır: sistemin iç durumu, değişen koşullara belirli bir gecikmeyle ayak uydurur. Bu gecikme hesaplama hatası doğurur.
Yeni yayımlanan teorik çalışma, bu hataların rastgele ya da yalnızca mühendislik sınırlamalarıyla açıklanamayacağını gösteriyor. Tersine çevrilebilir sürekli zamanlı Markov ağları çerçevesinde matematiksel bir analiz yapan araştırmacılar, toplam hesaplama hatasını iki bileşene ayırıyor: temsil hatası ve gecikme hatası. Asıl çarpıcı sonuç, gecikme hatasının entropi üretim hızı ile ölçülen enerji tüketimiyle ters orantılı olduğuna dair evrensel bir eşitsizliğin türetilmesi.
Başka bir deyişle: daha doğru ve hızlı hesaplama yapmak, daha fazla enerji harcamayı gerektiriyor. Bunun alternatifi ise çıktı gözlemlenebilirinin yavaş gevşeyen modlara —yani uzun ömürlü bir belleğe— kodlanması. Sistem ya enerji yakar ya da geçmişi uzun süre hatırlar; ikisi olmadan doğruluk sağlanamaz.
Araştırmacılar bu ilkeyi hem basit yapay Markov ağlarında hem de biyokimyasal bilgi işleme modellerinde test ederek doğruladı. Sonuçlar, bilgi işlemenin termodinamik maliyeti konusundaki bilgimize yeni bir boyut katıyor ve özellikle hücresel sinyal ağlarının neden bu denli enerji tükettiğine dair evrimsel bir açıklama sunuyor.
Bu çalışma, fizik, biyoloji ve bilgisayar biliminin kesişiminde yer alan temel bir soruya yanıt arıyor: Hesaplamanın fiziksel sınırları nelerdir? Elde edilen termodinamik sınır, bu soruya evrensel ve matematiksel olarak sağlam bir çerçeve sunuyor.