麦克斯韦-玻尔兹曼分布的推导
MB分布律的推导
- 1.宏观态和微观态
- 1.1 μ\muμ空间分割和宏观态
- 1.2宏观态的组态与配容
- 1.3宏观态对应的组态数
- 2.等概率原理与最概然统计(统计物理最基本的假设)
- 2.1 等概率原理解释相空间粒子分布
- 2.2 最概然统计揭示需要的分布
- 3.计算Ω\OmegaΩ的极值条件
- 4.MB分布律
1.宏观态和微观态
对于一个近独立的系统,即系统能量是每个分子的能量和的系统:
E=∑jεiE=\sum_j\varepsilon_iE=j∑εi
我们认为,如果确定了每个分子的广义坐标,也就确定了每个分子的能量,进而整个系统的能量也就确定了。而单一粒子在其子相空间(μ空间)中的位置就包含了能量特征,所以研究子相空间是很有必要的。
1.1 μ\muμ空间分割和宏观态
- 把μ\muμ空间分成许多小体元Δμj(j=1,2,...,l)\Delta\mu_j({j=1,2,...,l})Δμj(j=1,2,...,l),Δμj\Delta\mu_jΔμj不能过大也不能太小。在Δμj\Delta\mu_jΔμj中,可近似认为落入其中的代表点具有相同的广义坐标。
- 只要知道每个Δμj\Delta\mu_jΔμj体元中代表点的数目aj(j=1,2,...,l)a_j(j=1,2,...,l)aj(j=1,2,...,l),就可以确定整个系统的体积、内能等宏观物理量
- 描述宏观态可以用一组数a1,a2,...,ala_1,a_2,...,a_la1,a2,...,al来描述,或者用{aja_jaj}来表示。
1.2宏观态的组态与配容
- 首先,一个宏观态对应不同的微观态。(对于量子描述,其粒子不可分辨,而对于经典描述,其粒子可以分辨)。
- 在刚才的分析中,Δμj\Delta\mu_jΔμj里的代表点个数即使确定,对于经典粒子还有一个问题:粒子占据aja_jaj个代表点有多少种可能的方式。我们称粒子代表点在子相宇各体元中的分配方式为一种组态或配容。
- 一个分布{aja_jaj}对应很多不同的组态,与宏观态对应很多微观态意思一样。
1.3宏观态对应的组态数
- 对于一个确定的分布{aja_jaj},假设体系有N个粒子,其对应多少个不同的组态呢?由基本的排列组合知识,不同组态的个数为:
W=N!∏jajW=\frac{N!}{\prod_j a_j}W=∏jajN! - 一种理解是如果不考虑aja_jaj带来的组态数的同一性,直接N个盒子放N个小球,就是N!种,再除以每个aja_jaj的同一性带来的重复。或者理解成先从N个粒子中挑a1a_1a1个作为Δμ1\Delta\mu_1Δμ1内的代表点,再从N-a1a_1a1个粒子中挑a2a_2a2个作为Δμ2\Delta\mu_2Δμ2内的代表点,以此类推,其排列数为ANa1AN−a1a2AN−a1−a2a3...A_N^{a_1}A_{N-a_1}^{a_2}A_{N-a_1-a_2}^{a_3}...ANa1AN−a1a2AN−a1−a2a3...算出解与上面一致。
2.等概率原理与最概然统计(统计物理最基本的假设)
如果对于系统没有过多的认识,就假定一切符合所有约束条件的微观态出现的概率相等,这就是等概率原理。基于对称的思想,她是直观的,其正确性需要由实验来验证。
2.1 等概率原理解释相空间粒子分布
- 具体在μ\muμ空间中,等概率原理认为任意代表点进入子相空间中Δμj\Delta\mu_jΔμj的概率和Δμj\Delta\mu_jΔμj的体积成正比
- 因此,对于体元Δμj\Delta\mu_jΔμj,其中有1个粒子的概率正比于Δμj\Delta\mu_jΔμj,有aja_jaj个粒子的概率正比于(Δμj)aj(\Delta\mu_j)^{a_j}(Δμj)aj
- 所以对于一个确定的分布{aja_jaj},其组态出现的概率即为如下:
ΔT=∏j(Δμjμ)aj\Delta\Tau=\prod_j(\frac{\Delta\mu_j}{\mu})^{a_j}ΔT=j∏(μΔμj)aj
其中μ\muμ是全子相空间的体积
这是个只和分布有关的概率,当分布确定后每一个组态对应的概率相等
然额我们的目的是要揭示系统分布与组态的关联,只有这些还不够。
2.2 最概然统计揭示需要的分布
- 我们认为出现概率最大的那个宏观态为系统的平衡态,也就是对应微观态数最多的宏观态为系统的平衡态。这个假设在分子数目足够多的时候是可信的。
- 由最概然统计法,我们意识到平衡态和系统分布所对应的组态个数的多少又很大关系,换言之,哪种分布出现的概率最大我们就把那种分布当作平衡态!
- 我们已经得到了系统处于特定分布{aja_jaj}时可能的组态数WWW,同时我们也得到了系统处于该分布时每个组态出现的概率ΔT\Delta\TauΔT,所以这个宏观分布{aja_jaj}出现的概率
Ω=WΔT=N!μN∏jΔμjajaj!\Omega=W\Delta\Tau=\frac{N!}{\mu^N}\prod_{j}\frac{\Delta\mu_j^{a_j}}{a_j!}Ω=WΔT=μNN!j∏aj!Δμjaj
Ω\OmegaΩ取极大值时对应平衡态。
3.计算Ω\OmegaΩ的极值条件
~~~因笔者数学功力不够,此部分只写关键过程和结论。~~
- 对Ω\OmegaΩ先取对数,再作其变分, 得到极值条件:
δlnΩ=δ[∑jajlnΔμj−∑jln(aj!)]=0(1)\delta ln\Omega=\delta[\sum_{j}a_jln\Delta\mu_j-\sum_j ln(a_j!)]=0\tag{1}δlnΩ=δ[j∑ajlnΔμj−j∑ln(aj!)]=0(1) - 借助大数的Stirling公式对(1)化简
lnM!=MlnM−M(2)lnM!=MlnM-M \tag{2}lnM!=MlnM−M(2)
得到极值条件:
∑jlnajΔμjδaj=0(3)\sum_j ln\frac{a_j}{\Delta\mu_j}\delta a_j=0\tag{3}j∑lnΔμjajδaj=0(3) - 我们想要求出aja_jaj,但仅由(3)式不够。这时想到系统的前提条件:
∑aj=N(4)\sum a_j=N\tag{4}∑aj=N(4)
∑εjaj=E(5)\sum\varepsilon_ja_j=E\tag{5}∑εjaj=E(5)
作变分得到
∑δaj=0(6)\sum \delta a_j=0\tag{6}∑δaj=0(6)
∑εjδaj=0(7)\sum\varepsilon_j \delta a_j=0\tag{7}∑εjδaj=0(7)
(3),(6),(7)可以联立用Lagrange不定乘子法,将限制条件式乘α\alphaα、β\betaβ和待求式相加
∑j=1lln(ajΔμj+α+βεj)δaj=0(8)\sum_{j=1}^lln(\frac{a_j}{\Delta\mu_j}+\alpha+\beta \varepsilon_j)\delta a_j=0\tag{8}j=1∑lln(Δμjaj+α+βεj)δaj=0(8)
结果:
aj=Δμje−α−βεi(9)a_j=\Delta\mu_j e^{-\alpha-\beta \varepsilon_i}\tag{9}aj=Δμje−α−βεi(9)
4.MB分布律
- 将(9)与(4)联立,有
N=e−α∑jΔμje−βεi(10)N=e^{-\alpha}\sum_j \Delta\mu_je^{-\beta \varepsilon_i}\tag{10}N=e−αj∑Δμje−βεi(10)
故
aj=Δμje−α−βεi=NΔμje−βεi∑jΔμje−βεj(11)a_j=\Delta\mu_j e^{-\alpha-\beta \varepsilon_i}=\frac{N\Delta\mu_j e^{-\beta \varepsilon_i}}{\sum_j \Delta\mu_j e^{-\beta \varepsilon_j}}\tag{11}aj=Δμje−α−βεi=∑jΔμje−βεjNΔμje−βεi(11)
定义配分函数
Z=∑jΔμje−βεj(12)Z=\sum_j \Delta\mu_j e^{-\beta \varepsilon_j}\tag{12}Z=j∑Δμje−βεj(12)
于是aja_jaj有
aj=NZΔμje−βεi(13)a_j=\frac {N}{Z} \Delta\mu_j e^{-\beta \varepsilon_i}\tag{13}aj=ZNΔμje−βεi(13)
麦克斯韦-玻尔兹曼分布的推导相关推荐
- 玻尔兹曼分布详细推导、softmax 及 Energy Based Model
因为想申请 CSDN 博客认证需要一定的粉丝量,而我写了五年博客才 700 多粉丝,本文开启关注才可阅读全文,很抱歉影响您的阅读体验 大多数人应该都是在利用神经网络解分类问题时第一次接触 softma ...
- 深度学习 --- 玻尔兹曼分布详解
上一节我们从Hopfield神经网络存在伪吸引子的问题出发,为了解决伪吸引子带来的问题,详细介绍了模拟退火算法,本节也是基础性的讲解,为了解决伪吸引子还需要引入另外一个重要概念即:玻尔兹曼分布.本篇将 ...
- 量子统计:玻尔兹曼分布、玻色分布、费米分布
量子统计基础:玻尔兹曼分布.玻色分布.费米分布 从量子统计角度出发理解三个分布的由来 0.前言 1.量子状态下对MB分布的重新描述 1.1 能级简并度.全同近独立.Pauli不相容 1.2 量子描述中 ...
- UA OPTI501 电磁波8 麦克斯韦方程边界条件的推导
UA OPTI501 电磁波8 习题课:麦克斯韦方程边界条件的推导 边界条件的含义 用Maxwell方程推导边界条件 Maxwell Macroscopic Equations: ∇⋅D=ρfree∇ ...
- 最大玻尔兹曼分布的mASK信号在AWGN信道下的容量计算
最大玻尔兹曼分布的mASK信号在AWGN信道下的容量计算_u011852612的博客-CSDN博客
- 玻尔兹曼分布涨落_科学网—高分子统计物理漫谈-涨落耗散定理-2 - 苗兵的博文...
涨落耗散定理是平衡态统计物理的一个极为重要的结果,该定理将一个统计力学体系的涨落关联与其对外界刺激的响应用一个干净的等式联系了起来.有了该定理,测量响应就可以获得平衡态体系的关联性质,反之亦然.如果取 ...
- 熵的理解(玻尔兹曼分布)
log2n\log_2n(以 2 为底的对数):用二进制数来表达不同的状态组合需要多少个二进制位: 0. 玻尔兹曼分布 网络中任意两个状态出现的概率与对应能量之间的关系: P(α)P(β)=exp(− ...
- 拉普拉斯分布_中心极限定理:从高尔顿板到麦克斯韦分布
神奇的正态分布源于"加". 撰文 | 张和持 时隔多年,或许你早就记不得16岁那年夏天高中闷热的教室,但可能会记得有一天数学老师说着要给大伙看个稀奇--一块祖传的高尔顿板.尽管班 ...
- matlab仿真高尔顿正态分布源码,中心极限定理:从高尔顿板到麦克斯韦分布
神奇的正态分布源于"加". 撰文 | 张和持 时隔多年,或许你早就记不得16岁那年夏天高中闷热的教室,但可能会记得有一天数学老师说着要给大伙看个稀奇--一块祖传的高尔顿板.尽管班上 ...
最新文章
- asp常用函数(备忘)
- R语言使用pROC包绘制ROC曲线、获取最优阈值(threshold)及最优阈值对应的置信区间
- 白给的性能不要?cvpr2021-Diverse branch block
- 沙滩鞋除臭法--针对常见户外沙滩鞋来讲
- 使用 trait 时报PHP Parse error: syntax error, unexpected 'use' (T_USE) 这个错误
- 超郁闷的本地连接故障解决过程!!!
- 电子测量第三次作业 bgd150206305
- win10+anaconda安装tensorflow和keras遇到的坑小结
- 2019年北京高校毕业生就业质量状况:四成博士去了高校
- (转)RabbitMQ学习之安装
- 2017.7.31.生活记录
- 接上篇 按键精灵读写远程数据库,达到读写配置以及验证的效果(升级版)
- Xtts v4 xttdriver.pl xtt.properties
- 开机加速与蓝屏stop:0x000000074
- 上海证券交易所云平台移动行情服务测试项目
- 浮点数的运算 —— 浮点数的加减运算
- Excel用户打死想不到:表格能做APP,WPS用户:金山系出品就是牛
- 20200722-Java面经-被血虐-面试问题及总结
- PAT1014 福尔摩斯的约会 分数 20
- git am 冲突解决技巧
热门文章
- Free RTOS学习
- 杂记——17.Error:java: 读取D:\repository\com\fasterxml\jackson\datatype\jackson-datatype-jsr3Error:java: 读
- C# NutShell 第十四章 并发与异步
- 如何成长为一名思维缜密的产品经理
- 游戏感:虚拟感觉的游戏设计师指南——第八章 环境的测量方法
- vue3全局挂载组件
- mysql的考试视频_mysql期末考试选择题
- 打印机 树莓派安装cpus_用树莓派(应该是能装cups的就能用)共享富士施乐p115b激光打印机(应该是docuprint系列通用)...
- webmagic小试牛刀
- 做用户体验设计,你不得不知的18件事