熵永动机与热力学定律-Read.ppt

“熵”与“流” ——从“复杂到生命”系列之二 张江 集智俱乐部 提纲 永动机与热力学定律 第一类永动机（第一定律） 第二类永动机（第二定律） 自然系统的“目的性” 香水会扩散到空气中 破镜不能重圆 屋子会堆满尘土 两个实例 统计物理的目标 一个简单实例(其实就是大数定律) 有N=6个随机数(x1,x2,…,x6)，每个xi只能取值0或者1 一个观察者，由于观测手段上的缺陷，只能看到N=6个数的和，而不知道每个数具体是几 一次试验就是产生N=6个随机数，观察者得到一次具体的观测数值（N个数的和值） 重复进行多次试验，观察者将会得到什么结论？ 观察者得到最多的结果是3，而0或者6几乎很难观察到 当N非常大的时候，观察者只能得到结论N/2，其他结果“消失了” 解释 玻尔兹曼登场 一个物理模型 第一步：定义微观状态 第二步：引入关键假设 因为每个小球等可能地选择方格 所以每个微观状态都是等可能的 玻尔兹曼引入了关键假设： 每个微观状态都等概率地被访问 这个叫做等概率假设 第三步：引入宏观态 第四步：计算状态数 一个宏观态对应多少微观态？ 第五步：计算熵 S=k ln W 解释： 熵就是我们观察到的一种宏观表现损失的该系统有关细节信息的度量 熵最大的状态就是我们能观察到的最可能状态 如果粒子数非常巨大，那么熵最大的那个状态将占有绝对优势 时间箭头与观察者 玻尔兹曼试图从牛顿动力学导出热二定律，结果失败 因为：时间箭头是一种观察者眼中的“幻觉” 总结 统计物理是一种研究系统的方法 熵是联系微观到宏观的一种量 第二定律不存在于微观物理规律中 我们观察到的世界不是必然这样子的，而是最可能是这样子的 统计物理是一种方法，具有“腾飞”的潜力 统计物理“开始腾飞” 从玻尔兹曼到吉布斯 Gibbs简化Boltzman的熵公式 其中i表示一个宏观状态，n为总宏观状态数 pi表示该宏观状态对应的微观状态数/总的可能微观状态数 从统计物理到最优化 Gibbs将统计物理问题变成了一个最优化求解问题，例如： 统计物理的跨学科应用 目前，统计物理已经渗透到各种学科 例如， 组合优化、约束满足问题可以转化为一个统计物理问题 该问题的原型叫做Spin Glass模型 物理中的相变行为也存在于组合优化问题中 从统计物理到信息论 Shannon给Gibbs的熵公式赋予了新的解释 忘掉宏观态和微观态 一个系统可能有n种状态{1,2,…,n} 取每个状态的概率是pi 则该系统包含的信息量是 对于一个陌生的系统，由于我们了解它的信息最少，所以，最小化I，得到分布pi pi最大的那个i就是最可能的状态 Jaynes学派的统计物理 通常，人们认为统计物理是本质，Shannon的信息论是受到统计物理的启发而得出的 Jaynes学派正相反，认为Shannon的信息熵是本质，统计物理不过是一种统计推断的理论 Jaynes学派将统计物理变成了一门“主观猜测”的学问 Jaynes学派能走多远？ 关注流动 流动与秩序 普遍的流动规律 非平衡态统计物理的新进展？ 生态学中，1922年Lotka提出“Maximum Power Principle” 物理学中讨论多年的Maximum Entropy Production Principle Bejan从传热学中悟出了Maximum Flux Principle R.C. Dewar在2003年的时候在Physica A上发表了一篇论文Information theory explanation of the fluctuation theorem, maximum entropy production and self-organized criticality in non-equilibrium stationary states 最大流现象 蚂蚁觅食的启示 寻求统计解释？ R.C. Dewar沿袭Jaynes的思想，将统计物理看作一种统计推断的算法； 该算法不仅可以用到分子小球上，也可以用到系统的“小流动”上； 下面给出Dewar统计解释的“Jake演绎的通俗版本” 统计解释 给定一个网络 从A到B有3条路径： A?C?E?F?B A?C?F?B A?D?B 每1秒都有一个粒子从A流入 每个粒子在每个节点进行随机选择一条边转移 粒子到B点就消失 宏观态得到流量 最大化熵产生原理 将每段小流动看作系综在状态空间中的概率转移，流动路径对应系统演化路径 一个远离平衡态的系统会自发熵增，演化到终态（平衡态）。 一个路径上的熵增/时间为该路径的平均“熵产生” 每条路径对应的概率p看作流过该路径的流量 从非平衡态到平衡态的演变路径中，一条最快的路径（熵产生最大）会被重复最多（流动最大） 从非平衡态A到任意状态B （可以为非平衡），按