Out of equilibrium, a lack of reciprocity is the rule rather than the exception. Non-reciprocity occurs, for instance, in active matter1–6, non-equilibrium systems7–9, networks of neurons10,11, social groups with conformist and contrarian members12, directional interface growth phenomena13–15 and metamaterials16–20. Although wave propagation in non-reciprocal media has recently been closely studied1,16–20, less is known about the consequences of non-reciprocity on the collective behaviour of many-body systems. Here we show that non-reciprocity leads to time-dependent phases in which spontaneously broken continuous symmetries are dynamically restored. We illustrate this mechanism with simple robotic demonstrations. The resulting phase transitions are controlled by spectral singularities called exceptional points21. We describe the emergence of these phases using insights from bifurcation theory22,23 and non-Hermitian quantum mechanics24,25. Our approach captures non-reciprocal generalizations of three archetypal classes of self-organization out of equilibrium: synchronization, flocking and pattern formation. Collective phenomena in these systems range from active time-(quasi)crystals to exceptional-point-enforced pattern formation and hysteresis. Our work lays the foundation for a general theory of critical phenomena in systems whose dynamics is not governed by an optimization principle. A theoretical study of non-reciprocity in collective phenomena reveals the emergence of time-dependent phases heralded by exceptional points in contexts ranging from synchronization and flocking to pattern formation.

Abstract Morphogenesis is the process whereby the body of an organism develops its target shape. The morphogen BMP is known to play a conserved role across bilaterian organisms in determining the dorsoventral (DV) axis. Yet, how BMP governs the spatio-temporal dynamics of cytoskeletal proteins driving morphogenetic flow remains an open question. Here, we use machine learning to mine a morphodynamic atlas of Drosophila development, and construct a mathematical model capable of predicting the coupled dynamics of myosin, E-cadherin, and morphogenetic flow. Mutant analysis shows that BMP sets the initial condition of this dynamical system according to the following signaling cascade: BMP establishes DV pair-rule-gene patterns that set-up an E-cadherin gradient which in turn creates a myosin gradient in the opposite direction through mechanochemical feedbacks. Using neural tube organoids, we argue that BMP, and the signaling cascade it triggers, prime the conserved dynamics of neuroectoderm morphogenesis from fly to humans.

Model reduction is the construction of simple yet predictive descriptions of the dynamics of many-body systems in terms of a few relevant variables. A prerequisite to model reduction is the identification of these relevant variables, a task for which no general method exists. Here, we develop a systematic approach based on the information bottleneck to identify the relevant variables, defined as those most predictive of the future. We elucidate analytically the relation between these relevant variables and the eigenfunctions of the transfer operator describing the dynamics. Further, we show that in the limit of high compression, the relevant variables are directly determined by the slowest-decaying eigenfunctions. Our information-based approach indicates when to optimally stop increasing the complexity of the reduced model. Furthermore, it provides a firm foundation to construct interpretable deep learning tools that perform model reduction. We illustrate how these tools work in practice by considering uncurated videos of atmospheric flows from which our algorithms automatically extract the dominant slow collective variables, as well as experimental videos of cyanobacteria colonies in which we discover an emergent synchronization order parameter.