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

Google Online Security Blog
Google Online Security Blog
S
Security @ Cisco Blogs
Recent Commits to openclaw:main
Recent Commits to openclaw:main
人人都是产品经理
人人都是产品经理
The Hacker News
The Hacker News
W
WeLiveSecurity
freeCodeCamp Programming Tutorials: Python, JavaScript, Git & More
OSCHINA 社区最新新闻
OSCHINA 社区最新新闻
The Cloudflare Blog
博客园 - 司徒正美
雷峰网
雷峰网
L
LINUX DO - 最新话题
博客园 - 叶小钗
云风的 BLOG
云风的 BLOG
The Last Watchdog
The Last Watchdog
V2EX - 技术
V2EX - 技术
S
Security Affairs
有赞技术团队
有赞技术团队
月光博客
月光博客
T
Threatpost
T
Tor Project blog
O
OpenAI News
cs.AI updates on arXiv.org
cs.AI updates on arXiv.org
cs.CL updates on arXiv.org
cs.CL updates on arXiv.org
V
V2EX
Know Your Adversary
Know Your Adversary
Project Zero
Project Zero
博客园 - 三生石上(FineUI控件)
D
Docker
AWS News Blog
AWS News Blog
AI
AI
P
Proofpoint News Feed
K
Kaspersky official blog
H
Hackread – Cybersecurity News, Data Breaches, AI and More
D
Darknet – Hacking Tools, Hacker News & Cyber Security
www.infosecurity-magazine.com
www.infosecurity-magazine.com
S
Securelist
F
Fortinet All Blogs
F
Full Disclosure
cs.CV updates on arXiv.org
cs.CV updates on arXiv.org
量子位
Hacker News - Newest:
Hacker News - Newest: "LLM"
CTFtime.org: upcoming CTF events
CTFtime.org: upcoming CTF events
P
Palo Alto Networks Blog
Cyberwarzone
Cyberwarzone
Cisco Talos Blog
Cisco Talos Blog
美团技术团队
N
News | PayPal Newsroom
T
The Blog of Author Tim Ferriss
MyScale Blog
MyScale Blog

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 4 Ignition of the Sun 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 8 近独立子体系分布
2026-03-24 · via 菲兹克斯喵

单粒子的量子态用波函数来描述,定态满足 Schrödinger 方程,

H^ψ(x⃗)=εψ(x⃗)\hat{H}\psi(\vec{x}) = \varepsilon\psi(\vec{x})

复习一下简单的量子力学. 一维无限深势阱的能级是

εn=n2h28mL2,n=1,2,3,⋯\varepsilon_n = \frac{n^2h^2}{8mL^2},\quad n=1,2,3,\cdots

这里的简并度 ωn=1\omega_n=1. 这个问题实际上并不需要解方程,只从边界条件和 Fourier 变换就能知道结果. 从数值上讨论一下这个能级差的大小,我们取典型量 L∼10−2 mL\sim10^{-2}\text{ m}mp=1.67×10−27 kgm_p = 1.67\times10^{-27}\text{ kg} (质子质量),计算出 Δεn∼10−36 J\Delta\varepsilon_n\sim10^{-36}\text{ J},这个能量远远小于热运动能量 kBT∼10−21 Jk_BT\sim10^{-21}\text{ J},因此我们不需要在求解气体的时候解 Schrödinger 方程. 当然,全同粒子的假设还在,而且 Pauli 不相容原理仍然需要考虑,并不意味着我们像 Boltzmann 积分微分方程一样完全进入经典统计.

另一个例子是谐振子,

d2xdt2=−Kmx,ω2=Km\frac{\text{d}^2x}{\text{d}t^2} = -\frac{K}{m}x,\quad \omega^2=\frac{K}{m}

它的解法我们略去,简并度仍然是 ωn=1\omega_n=1,能级是 ℏω(n+1/2)\hbar\omega(n+1/2).

转子:

H=−ℏ22I[1sin⁡θ∂∂θ(sin⁡θ∂∂θ)+1sin⁡2θ∂2∂ϕ2]H = -\frac{\hbar^2}{2I}\left[\frac{1}{\sin\theta}\frac{\partial}{\partial\theta}\left(\sin\theta\frac{\partial}{\partial\theta}\right)+\frac{1}{\sin^2\theta}\frac{\partial^2}{\partial\phi^2}\right]

能级为 ℏ2/2I⋅l(l+1)\hbar^2/2I\cdot l(l+1),简并度 ωl=2l+1\omega_l=2l+1.


粒子按量子态的一个分配方式,称为系统的一个微观状态;粒子按能级的一个分布称为系统的一个宏观状态. 分布与微观态不同,每一组分布对应大量不同的微观状态.

已一个自旋系统为例,三个原子,核自旋可以朝上或者朝下且外加一个磁场 HH. 这里一共有 88 种可能的微观态,但是只有 44 种可能的能量,例如固定宏观态为能量 −μH-\mu H 的态,那么对应着 33 种不同的微观态.

Boltzmann 等几率假设:处平衡态的孤立系统,各可能微观状态出现的几率相等.

现在对于一个全同的近独立粒子体系,(N,V,E)(N,V,E) 确定,来计算分布 {ai}\{a_i\} 所包含的微观状态数 Ω{ai}\Omega\{a_i\}.

Ω{ai}=∏iΩi\Omega\{a_i\} = \prod_i\Omega_i

其中 Ωi\Omega_iaia_i 粒子占据 εi\varepsilon_iωi\omega_i 个态的方式数. 当然这里的计算要区分 Boltzmann 统计、Bose 统计和 Fermi 统计.

Bose 统计:将 aia_i 个粒子放在一排,然后把 ωi\omega_i 个量子态作为「隔板」放在中间,第一个量子态必须放在第一个位置 (在量子态右边的粒子视为处在这个量子态,这只是方便理解的「隔板法」),剩下的量子态是任意放置的. 因此就是在 aia_i 个空位上放 ωi−1\omega_i-1 个「隔板」,也就得到微观状态数

Ωi=Caiωi−1=(ai+ωi−1)!ai!(ωi−1)!,ΩB({ai})=∏i(ai+ωi−1)!ai!(ωi−1)!\Omega_i = C_{a_i}^{\omega_i-1} = \frac{(a_i+\omega_i-1)!}{a_i!(\omega_i-1)!},\quad \Omega_B(\{a_i\}) = \prod_i\frac{(a_i+\omega_i-1)!}{a_i!(\omega_i-1)!}

Fermi 统计:从 ωi\omega_i 个量子态中挑选 aia_i 个来让粒子占据,也就是

Ωi=Cωiai=ωi!ai!(ωi−ai)!,ΩF({ai})=∏iωi!ai!(ωi−ai)!\Omega_i = C_{\omega_i}^{a_i} = \frac{\omega_i!}{a_i!(\omega_i-a_i)!},\quad \Omega_F(\{a_i\}) =\prod_i\frac{\omega_i!}{a_i!(\omega_i-a_i)!}

定义平衡态分布为出现几率最大的那一种分布,同时利用等几率假设,也就是 {ai}\{a_i\} 这个分布出现的几率 ∝Ω({ai})\propto\Omega(\{a_i\}),这种对平衡态分布的估计称为最可几分布. 对于 Bose 统计,

ln⁡ΩB({ai})≈∑i[(ai+ωi−1)ln⁡(ai+ωi−1)−ailn⁡ai−(ωi−1)ln⁡(ωi−1)]≈∑i[ailn⁡(1+ωiai)+ωiln⁡(1+aiωi)]\begin{aligned} \ln\Omega_B(\{a_i\}) &\approx \sum_i[(a_i+\omega_i-1)\ln(a_i+\omega_i-1)-a_i\ln a_i-(\omega_i-1)\ln(\omega_i-1)]\\\\ &\approx\sum_i\left[a_i\ln\left(1+\frac{\omega_i}{a_i}\right)+\omega_i\ln\left(1+\frac{a_i}{\omega_i}\right)\right] \end{aligned}

利用 Lagrange 乘子法,约束是 N=∑iaiN=\sum_ia_iE=∑iaiεiE=\sum_ia_i\varepsilon_i.

∂ln⁡ΩB∂ai+α⋅∂[N−∑iai]∂ai+β⋅∂[E−∑iaiεi]∂ai=0\frac{\partial\ln\Omega_B}{\partial a_i}+\alpha\cdot\frac{\partial\displaystyle{\left[N-\sum_ia_i\right]}}{\partial a_i} + \beta\cdot\frac{\partial\displaystyle{\left[E-\sum_ia_i\varepsilon_i\right]}}{\partial a_i} = 0

解得

ai=ωieα+βεi−1a_i = \frac{\omega_i}{e^{\alpha+\beta\varepsilon_i}-1}

这正是 Bose-Einstein distribution.

对于 Fermi 分布也是一样,用 Stirling 公式近似后得到

ln⁡ΩF({ai})≈∑i[ailn⁡(ωiai−1)−ωiln⁡(1−aiωi)]\ln\Omega_F(\{a_i\})\approx\sum_i\left[a_i\ln\left(\frac{\omega_i}{a_i}-1\right)-\omega_i\ln\left(1-\frac{a_i}{\omega_i}\right)\right]

也用 Lagrange 乘子法,最终解得

ai=ωieα+βεi+1a_i = \frac{\omega_i}{e^{\alpha+\beta\varepsilon_i}+1}

这是 Fermi-Dirac distribution.