惯性聚合 高效追踪和阅读你感兴趣的博客、新闻、科技资讯
阅读原文 在惯性聚合中打开

推荐订阅源

Attack and Defense Labs
Attack and Defense Labs
aimingoo的专栏
aimingoo的专栏
月光博客
月光博客
D
Darknet – Hacking Tools, Hacker News & Cyber Security
K
Kaspersky official blog
Threat Intelligence Blog | Flashpoint
Threat Intelligence Blog | Flashpoint
Stack Overflow Blog
Stack Overflow Blog
T
Threatpost
AWS News Blog
AWS News Blog
小众软件
小众软件
美团技术团队
L
Lohrmann on Cybersecurity
Hacker News: Ask HN
Hacker News: Ask HN
Security Latest
Security Latest
Jina AI
Jina AI
Hacker News - Newest:
Hacker News - Newest: "LLM"
宝玉的分享
宝玉的分享
A
Arctic Wolf
M
MIT News - Artificial intelligence
Scott Helme
Scott Helme
爱范儿
爱范儿
The Cloudflare Blog
博客园 - 聂微东
云风的 BLOG
云风的 BLOG
博客园 - 叶小钗
有赞技术团队
有赞技术团队
The GitHub Blog
The GitHub Blog
T
The Blog of Author Tim Ferriss
I
InfoQ
V
Visual Studio Blog
N
Netflix TechBlog - Medium
Latest news
Latest news
C
CERT Recently Published Vulnerability Notes
T
Tenable Blog
H
Heimdal Security Blog
www.infosecurity-magazine.com
www.infosecurity-magazine.com
Cisco Talos Blog
Cisco Talos Blog
L
LINUX DO - 最新话题
博客园 - 三生石上(FineUI控件)
CTFtime.org: upcoming CTF events
CTFtime.org: upcoming CTF events
Application and Cybersecurity Blog
Application and Cybersecurity Blog
T
Threat Research - Cisco Blogs
S
Secure Thoughts
The Hacker News
The Hacker News
S
Schneier on Security
博客园 - 【当耐特】
T
The Exploit Database - CXSecurity.com
博客园_首页
N
News | PayPal Newsroom
cs.CL updates on arXiv.org
cs.CL updates on arXiv.org

菲兹克斯喵

Lesson 17 引力波的功率 (2) Lesson 16 引力波的功率 Lesson 8 Atmospheres Lesson 16 习题课 Lesson 15 引力波 Lesson 14 Noether 定理 Lesson 7 Evolution Lesson 7 传粉的力量 Lesson 13 作用量原理 Lesson 13 配分函数的一些应用 Lesson 12 Penrose 过程与 Hawking 辐射 Lesson 6 Homology Lesson 11 带电荷和旋转的黑洞 Lesson 6 进食行为 Lesson 11 配分函数 Lesson 10 Penrose 图 Lesson 5 Diffusion Lesson 9 微观量与宏观量的联系 Lesson 5 捕食行为 Lesson 8 Schwarzschild 黑洞 Lesson 9 Schwarzschild 黑洞 (2) Lesson 8 近独立子体系分布 Lesson 7 统计力学绪论 Lesson 4 讲座:乌贼和章鱼的行为与智能 Lesson 7 Killing 矢量场和 Lie 导数 Lesson 6 Schwarzschild 解 Lesson 6 Landau 相变理论 (二) Lesson 3 Lane - Emden Equation Lesson 5 Landau 相变理论 Lesson 3 动物的感知 Lesson 5 Einstein 场方程 Lesson 4 协变的物理定律 Lesson 3 等效原理 & 广义协变性原理 Lesson 4 热力学第三定律 Lesson 2 Equation of State Lesson 3 热力学关系 Lesson 2 神经生物学基础 Lesson 2 度规和联络 Lesson 1 简介 Lesson 1 Lorentz 变换 Lesson 2 热力学定律 Lesson 1 Introduction & Light Lesson 1 介绍 流星监控项目 II - 树莓派配置 Lesson 15 Green 函数法 Lesson 29 散射 (二) Lesson 15 Spatial Patterns & Self-Organization Lesson 14 积分变换 Lesson 29 散射 Lesson 28 散射 (一) Lesson 27 绝热近似 Lesson 14 Dynamics of biological networks (2) Lesson 13 分离变量法总结 Lesson 26 变分法 (二) Lesson 14 Spatial Statistics Lesson 27 带电粒子和电磁场的相互作用 Lesson 13 磁性材料 & 拓扑绝缘体 Lesson 25 变分法 Lesson 13 Fast Radio Burst Lesson 13 Dynamics of biological networks Lesson 24 含时微扰 Lesson 26 相对论中的能量和动量守恒 Lesson 13 On the Intersection between Astronomy and AI Lesson 25 电磁场变换 Lesson 12 超导 Lesson 23 Zeeman Effect Lesson 12 absorbing Lesson 12 China Jingping Labs and Related Physics Lesson 24 狭义相对论的速度变换 Lesson 22 微扰论 Lesson 11 Bessel 函数 Lesson 12 Time Series Analysis Lesson 23 狭义相对论 Lesson 21 能带理论 Lesson 11 量子多体系统 Lesson 11 Molecular Motor (3) Tianwen:The Beauty of the Cosmos Lesson 10 连带 Legendre 函数 Lesson 20 多电子原子 & 固体 Lesson 11 Truncated & Censored Data Lesson 21 偶极辐射 (二) Lesson 10 离子阱量子计算 & 超快分子摄影 Lesson 10 Molecular Motor (2) Lesson 19 多粒子系统 Neutron Stars Lesson 20 偶极辐射 Lesson 9 Legendre 多项式 (二) Lesson 18 双粒子系统 Lesson 10 Clustering & Classification Lesson 19 辐射 (二) Lesson 9 引力波探测 & 原子量子计算 Lesson 17 CG 系数 「三次量子化」:宏观量子能级及其相干叠加态 —— 解读今年的 Nobel Prize Lesson 9 Molecular Motor Exoplanet Lesson 18 辐射 Lesson 16 自旋 (二) Lesson 8 Legendre 多项式 Lesson 17 波导 Lesson 9 Density Estimation
Lesson 4 Ignition of the Sun
2026-03-19 · via 菲兹克斯喵

我们上节课说了,在 E∗≈50 keVE_* \approx 50\text{ keV} 的能量下,rr - EE 图像上的 de Broglie 波长线与点火距离线相交. 具体的表达式是

E∗=8π2(Z1Z2e2)2h2mμ,mμ=m1m2m1+m2E_* = \frac{8\pi^2(Z_1Z_2e^2)^2}{h^2}m_\mu,\quad m_\mu = \frac{m_1m_2}{m_1+m_2}

但是太阳的能量仍然比这个 E∗E_* 要小,隧穿概率

P∝exp⁡[−πE∗E]P \propto \exp\left[-\pi\sqrt{\frac{E_*}{E}}\right]

仍然是一个很小的值. 但是我们知道粒子并不是都处在平均值附近,而是具有一个很宽的分布,因此从微观上试图解释,我们算反应率. 这需要先计算碰撞概率,假设两种粒子的碰撞截面为 σ12\sigma_{12},得到微元的碰撞概率为

P=n1n2σ12ΔvP = n_1n_2\sigma_{12}\Delta v

其中 Δv\Delta v 为两粒子相对速度. 碰撞概率

Γ12=n1n2∫P(E)Δv(E)σ12(E)dE\Gamma_{12} = n_1n_2\int P(E)\Delta v(E)\sigma_{12}(E)\text{d}E

这里的 P(E)P(E) 是按照能量的粒子分布函数,用 Maxwell 分布律即可,P(E)∝e−E/(kBT)P(E)\propto e^{-E/(k_BT)},相对速度写为 2E/mμ\sqrt{2E/m_\mu},然后用 de Broglie 波长来估算相对碰撞截面大小,

σ12∼πλdB2Ptunnelling∼ℏ22mμEe−πE∗/E=S(E)Ee−πE∗/E\sigma_{12}\sim \pi\lambda_{\text{dB}}^2P_{\text{tunnelling}} \sim\frac{\hbar^2}{2m_\mu E}e^{-\pi\sqrt{E_*/E}} = \frac{S(E)}{E}e^{-\pi\sqrt{E_*/E}}

最终的反应概率

Γ12=n1n2(kBT)−3/28πmμ∫S(E)exp⁡[−EkBT−πE∗E]dE\Gamma_{12} = n_1n_2(k_BT)^{-3/2}\sqrt{\frac{8}{\pi m_\mu}}\int S(E)\exp\left[-\frac{E}{k_BT}-\pi\sqrt{\frac{E_*}{E}}\right]\text{d}E

因此对于点火能量来说,我们需要找到的不是最高的能量,而是一个比较中间的值,这也解释了为什么太阳能够实现聚变点火. 这个结论被称为 Gamov Peak.


开始讲第二次作业了,不过我还没写所以不记录了.

第一次作业讲解:平均分 92

???怎么做到的,我拼尽全力 83

好吧我翻了一下发现我所有扣分都是非学术的内容...


开始进入 module 3,有关星系演化的部分.

在一个电磁波场中,一个单电子的运动方程写为

F=eE=E0cos⁡ωt=mex¨F = eE = E_0\cos\omega t = m_e\ddot{x}

这样的运动会造成电磁辐射,在 cgs 制下的辐射 Larmor 公式写作

PL=2x¨2q23c3[ET]P_L = \frac{2\ddot{x}^2q^2}{3c^3}\left[\frac{\text{E}}{\text{T}}\right]

能流为

S=c8πE02[EL2T]S = \frac{c}{8\pi}E_0^2\left[\frac{\text{E}}{\text{L}^2\text{T}}\right]

我们将辐射功率和能流的比例记为 σT\sigma_T (某种意义上来说这也是一个「截面」),那么

σT=PeS=2e23c3⟨x¨2⟩cE00⋅8π=8π3e4me2c4\sigma_T =\frac{P_e}{S} = \frac{2 e^2}{3c^3}\frac{\langle \ddot{x}^2\rangle}{cE_0^0}\cdot 8\pi = \frac{8\pi}{3}\frac{e^4}{m_e^2c^4}

估算一个简单的二维问题,考虑校园是 1 km1\text{ km} 大的二维圆平面,碰撞「截面」大约是 σ=1 m\sigma=1\text{ m},人的密度可以估计为 N/πR2N/\pi R^2.

最后的结果大约是每 30 m30\text{ m} 遇到一个人,lmfp≈30 ml_{\text{mfp}}\approx 30\text{ m}. (mean free path)


如果每遇到一个人改变一次方向,随机行走运动轨迹的均值:⟨r‾⟩=0\langle\overline{r}\rangle = 0

⟨r2‾⟩=⟨r‾⋅r‾⟩=Nlmfp2\left\langle\overline{r^2}\right\rangle = \left\langle\overline{r}\cdot\overline{r}\right\rangle = Nl_{\text{mfp}}^2

如果要走出校园,那么必须要 ⟨r2‾⟩=R2\left\langle\overline{r^2}\right\rangle = R^2,这里需要的步骤数大约是 10310^3,也可以计算时间,如果是正常走路速度,那么需要 10 h10\text{ h} 走出校园.

对于一个想要从太阳内部逃出来的粒子,也需要经历类似的过程,我们需要 R⊙R_{\odot} 就能计算平均逃逸时间. 有

lmfp=1neσT≈2 cm,tesc≈3000 yr.l_{\text{mfp}} = \frac{1}{n_e\sigma_T} \approx 2\text{ cm},\quad t_{\text{esc}} \approx 3000\text{ yr.}

更新日志

  • 1a5b5-feat(note): update note