第二章主方程（Masterequation）.PDFVIP

第二章主方程(Master equation) • 这里我们研究概率分布随时间的演化。 • 随机过程：与时间有关的随机变量(time-dependent random variable) • 我们只考虑仅有短程记忆的过程– 马尔科夫过程(Markov process)，该过程的时间演化方程就是主方程。 • 主方程是统计物理里最重要的方程之一，它几乎是普遍适 用的，并广泛地被应用于化学，生物学，人口动力学，布 朗运动，流体，半导体，金融等问题。 2.1 主方程的推导 （I）一般情形 对于随机变量Y 的概率密度，将采用以下的记号来表示： （随机变量Y在 时刻取 值的概率）; （随机变量Y在 时刻取 值，在 时刻取 值的联合概率）; （随机变量Y在 时刻取 值，在 时刻取 值， 在 时刻取 值的联合概率）。 一般性质: 联合概率密度是正的: 它们可以被约化: 并且是归一化的: • 随机变量与时间有关的矩(表征随机变量在不同时刻的值之间的相关): • 平稳过程：如果一个过程对一切n与τ都有： 在平衡时，所有物理过程都是平稳的。对一个平稳过程，有： 而 只依赖于 - 时间差的绝对值。 • 条件概率： （在 时刻取 值的随机变量Y ，在 时刻取 值的概率）; 它由如下恒等式来定义： • 不同时刻概率密度之间的关系（上式对 积分）： • 联合条件概率密度： = （固定 时，随机变量Y具有值 的联合概率密度） （II）马尔科夫过程(Markov process) 对马尔科夫过程我们有(其中 )： 即tn时刻取yn 的条件概率完全由tn-1时刻yn-1 的值确定。马尔科夫过程完 全由 和 [转移概率]两个函数确定。例如： 对y2积分，容易得到（Chapman-Kolmogorov方程）： Chapman-Kolmogorov方程的重要性：告诉我们对马尔科夫过程来说两个 相继步骤的转移概率是两个单个步骤转移概率的乘积，而且相继的步骤 是统计独立的。 (III) 主方程(Master equation) 在时刻t1+τ （τ 是一个非常小的正数），由定义我们有（以连续变量为例）： （*1） 当τ=0时，由（*1）得： （*2 ） 的时间导数为： 计算（*1）的时间导数我们必须考虑： 这里我们定义 是系统在时间间隔 内，从态y1变到态 y2 的单位时间的转变概率密度（转移率）。因此 在时间 内，从态y1转变到态y2 的概率密度为 ； 在时间τ 内不转变的概率密度为 。所以有： （*3) 由（*1-3 ）我们发现： （*4 ） 这就是主方程。 (IV) 细致平衡和Monte Carlo模拟 为简单记这里我们考虑离散的情形，这时主方程可写为： 这和我们以前学过的统计物理里的刘维尔定理很相似。对平稳过程，我们有 因此对不同的平衡态有（这里我们略去了时间）： 这就是细致平衡（d