Come possiamo misurare l’entropia quando vediamo solo una parte del sistema?

L’entropia prodotta è il metro più universale per capire quanto un sistema è fuori dall’equilibrio, soprattutto quando è collegato a un bagno termico. Pensate a una cellula o a una goccia di gel che si muove: l’entropia ci dice quanto “caos” c’è dentro. Il problema è che, nei sistemi piccoli, le fluttuazioni nascondono il valore reale e non possiamo osservare tutte le variabili che contribuiscono. Qui entra in gioco il concetto di coarse‑graining, cioè osservare solo alcune coordinate – ad esempio la posizione di una particella – e cercare di ricavare l’entropia da questi dati parziali. Negli ultimi dieci anni la termodinamica stocastica ha proposto diverse disuguaglianze che forniscono limiti inferiori all’entropia prodotta senza dover conoscere il modello completo. Una prima strategia usa le probabilità di transizione tra stati macroscópici osservati; un’altra si basa sui flussi di corrente che emergono dalle serie temporali. Si possono anche analizzare le funzioni di correlazione di osservabili coarse‑grained o le distribuzioni dei tempi di attesa tra “eventi marcati”, cioè transizioni tra stati mesoscopici. Tutti questi metodi assumono che il dinamico sottostante sia Markoviano, cioè privo di memoria, anche se non è direttamente osservabile. La revisione copre sia stati stazionari non‑equilibrio sia sistemi che cambiano nel tempo o si rilassano verso l’equilibrio. Oltre alla media dell’entropia, si discute anche come stimare l’entropia lungo singole traiettorie, aprendo la porta a nuove analisi sperimentali in biologia e materia morbida.

Il limite inferiore all’entropia prodotta derivato dal coarse‑graining è strettamente legato al principio di incertezza termodinamica (TUR), che collega la varianza di una corrente osservata al valore medio dell’entropia. Formalmente, per una corrente J osservata su un intervallo di tempo τ, si ha \(\frac{\mathrm{Var}(J)}{\langle J\rangle^2} \ge \frac{2}{\langle \Sigma\rangle}\), dove \(\langle \Sigma\rangle\) è la produzione media di entropia. Questa disuguaglianza è valida per dinamiche Markoviane continue o discrete e fornisce un modo pratico per stimare un limite inferiore misurando solo la fluttuazione della corrente. Un’altra classe di risultati proviene dalle relazioni di fluttuazione (FT), che collegano la probabilità di osservare una certa traiettoria a quella della sua inversa temporale. Quando si osservano solo variabili coarse‑grained, la FT si modifica in una "FT di informazione" che include un termine di perdita di informazione dovuto al coarse‑graining. Inoltre, le distribuzioni di tempi di attesa tra eventi marcati possono essere analizzate tramite la teoria dei processi di prima-passage, fornendo stime di entropia basate su statistiche di intervallo. Recenti lavori hanno esteso questi approcci a sistemi non‑stazionari, introducendo entropie di percorso condizionate e funzioni di risposta non‑equilibrio. In pratica, la scelta del metodo dipende dalla natura dei dati sperimentali: se si dispone di sequenze temporali ad alta risoluzione, le correnti e le FT sono più efficaci; se i dati sono sparsi o consistono in eventi discreti, le distribuzioni di tempi di attesa offrono un’alternativa robusta. L’integrazione di più tecniche può migliorare ulteriormente la precisione delle stime, riducendo l’incertezza dovuta al coarse‑graining e avvicinando le misurazioni sperimentali ai valori teorici di entropia prodotta.