2,443
个编辑
更改
跳到导航
跳到搜索
第1行：
第1行： − + − 对于Ising模型的重正化方法主要包括：实空间的重正化和波数空间（或者叫动量空间）的重正化两种方法。前者比较直观，即从对Ising所在的空间进行不同尺度的缩放操作，从而得到模型的尺度不变性质。后者虽然比较抽象，而且依赖于Ising模型配分函数的空间积分形式，但是却可以得到比较精确，而且不依赖于[[粗粒化]]方法的解。+ − + − 重正化方法的出发点是基于Ising模型在临界状态下具有广泛的不同标度之间的相似性。然而，这种自相似性具体指的是什么呢？+ 第43行：
第43行： − 总结来看，重正化操作实际上包含两大步骤，（1）对系统进行粗粒化，从两个不同的尺度上描述Ising模型；（2）写出两个不同尺度下的配分函数，让它们的形式彼此相同。根据这个条件，我们就可以写出重正化群方程，从而计算出我们想要的值。+ − + − 一维Ising不存在临界相变点，因此重正化群方程也不能得到非平凡的解。但是，由于一维Ising模型的重正化操作简单易懂，所以我们还是先用一维模型来讨论重正化的整体思路。+ 第53行：
第53行： − + 第123行：
第123行： − 在进行了无穷大次重正化操作以后，得到不动点(令<math>s\rightarrow \infty</math>)：+ − 这个方程就是温度T所要满足的重正化群不动点方程，从中求解出T*，得到唯一的稳定解：+ − 就是临界温度。因此，我们用重正化群的方法求解出了一维Ising模型的临界温度为0。但是，温度为0这一点并不是系统的相变点。但却是一维模型中的一个平凡的满足自相似性的点(因为配分函数在标度变换下保持不变)。所以，重正化群方法进行了成功的预测。+ − + − 我们可以采用类似的思路对二维网格上面的Ising模型进行重正化，写出重正化群方程。但是，由于二维模型的邻域结构远比一维模型复杂，因此，重正化方法也变得复杂。我们可以按照直观的方法对空间网格进行归并，但是这样计算写出的式子非常繁琐。为了让重正化方程简单，我们不得不增加自由参数的个数（类似一维模型中的k0和T'），在二维模型中，我们需要考虑至少4个自由待定参数，即<math>K_1,K_2,K_3,K_4</math>。+ − + − + 第160行：
第160行： − + − + − + 第172行：
第172行： − + − 上面讨论了一维和二维ISING模型的重正化方法，其中用到的粗粒化操作和重正化方程显得过于任意。尤其是对于二维Ising模型进行重正化，为了得到合理的重正化的配分函数，必须引入次近邻的相互作用，而这种相互作用在原始的模型中是不存在的。+ − 为了避免这个矛盾，Wilson首先提出了广义的Ising模型，其中，次近邻、次次近邻相互作用在原始模型中都是允许的。其次，Wilson讨论了更一般的对于广义ISING模型的重正化操作，和广义的重正化群方程。这种重正化并不牵扯到具体的粗粒化方法，因此是一种高度的概括。但是，在这种抽象的重正化操作下，我们还能计算出各种热力学变量随温度幂律变化的幂指数。总之，Wilson为重正化群操作奠定了坚实的数学基础。+ − Wilson重正化方法的核心观点是，首先，针对广义的Ising模型，我们用一个参数向量<math>(K_0,K_1,K_2,\cdot\cdot\cdot)</math>来刻画，这是最广义的Ising模型，它包含了近邻、次近邻、三体、四体等等各种相互作用。其次，Wilson讨论一般的重正化算符R，把它反复应用在Ising模型上，就得到了广义参数空间<math>(K_0,K_1,K_2,\cdot\cdot\cdot)</math>中的一个重正化流。而这个重正化流的最终吸引子就是临界点（对应临界参数K*）。最后，将重正化算子R在临界点K*附近泰勒展开，就可以把R进行线性化，而线性化算子的特征根的对数就对应了相关的临界指数，而特征向量就是重正化操作中重要的参数。+ 第195行：
第195行： − + − 所谓的重正化群操作实际上就是通过两个不同的尺度来刻画系统，并且让它们的配分函数保持形式不变。假设我们对原始模型放大尺度<math>b_1</math>倍，我们通过原始模型的配分函数，求和掉忽略的小磁针状态，而得到新的尺度<math>b_1</math>下的Ising模型。假设原始的模型和新尺度下的模型分别可以用参数向量<math>{K},{K'}</math>来刻画，为了保证两个尺度的配分函数形式不变，我们会得到这两个参数向量的重正化方程：+ 第202行：
第202行： − + 第213行：
第213行： − + 第219行：
第219行： − + − + − 其次，对同一个Ising模型上反复做重正化就会得到一系列的参数：+ 第228行：
第228行： − 这在参数空间中构成了一个重正化流，如下图：+ − + − 图中所示的折线就表示重正化流构成的参数空间中的轨迹。这个轨迹可能最终会收敛到一个不动点<math>K^*</math>（图中红色点所示）。当到达不动点的时候，系统处于临界状态。因此，所谓的临界状态就是重正化操作的一个不动点。即一个特殊的参数向量K*，满足：+ 第239行：
第239行： − + − 我们下面来对重正化算符R做线性近似。首先我们可以将算子R在不动点K*附近做泰勒展开：+ 第338行：
第338行： − 我们对系统做s次相同尺度b的重正化操作，就相当于在特征向量方向上参数扩大<math>(b^{y_i})^s</math>倍，而这有三种可能性：+ 第345行：
第345行： − 也就是说，在连续进行重正化操作的时候，只有那些相关的参数会逐渐被放大，对系统的行为起到主导作用。因此相应的相关参数的临界指数<math>y_i</math>刻画了系统在重正化过程中的行为本质。+ − 以上的讨论都是针对一般的重正化操作而谈的。当我们回到Ising模型，就会发现，实际的相关参数只有温度T和外场H。于是，在重正化过程中，有：+ 第353行：
第353行： − + 第369行：
第369行： − 至此，重正化群给出了所有临界幂律行为一个合理的解释。+ − + − 前面我们已经讨论过了Ising模型在实空间中的重正化(Real Space Renormalization)。但是重正化中的粗粒化操作显得过于任意。虽然Wilson的重正化群理论克服了这一困难，但是由于牵涉到了无穷维的参数空间，所以重正化算符很难写出具体的表达形式。基于这种考虑，我们在此将介绍一种新的重正化的方法，它不是在直观的实空间中做的，而是在抽象的实空间的[[傅立叶变换]]空间（波数空间）中做重正化。这样的重正化过程比较具体，没有过多的任意性。但是本质思想是与实空间的重正化一致的。+ − + 第428行：
第428行： − + 第434行：
第434行： − + 第440行：
第440行： − 从而求得不动点（临界参数），线性化为重正化群，求得各种临界指数。+ − 由此，我们看到，波数空间中的重正化与实空间中的重正化异曲同工。然而，波数空间中的重正化利用积分的分解来完成粗粒化操作，比实空间更严格。然而，由于波数空间与实空间被傅利叶变换联系，所以这两种形成一种对偶的关系。+ 第453行：
第453行： − +
无编辑摘要
有关于Ising模型的介绍，请参看[[ISING模型]]。在Ising模型的介绍中，我们给出了模型的模拟结果，但是，我们仍然不知道临界温度<math>T_C</math>是如何求出的。另外，在[[临界状态]]中，系统的热力学量呈现出一系列的标度行为，它们可以由幂指数<math>\alpha,\beta,\gamma,\eta</math>等来刻画，但是我们仍然不知道如何求出它们的数值。尽管对Ising求解有很多种方法，[[重正化]]则是这些方法中最独特的一个。它一反传统方法的讨论，即从模型的动力学性质或者统计性质出发，求出临界温度和幂律指数，而是直接从模型处于临界时候所展现出来的自相似性出发直接对模型进行重正化计算，而忽略模型的详细规则。
有关于Ising模型的介绍，请参看[[ISING模型]]。在Ising模型的介绍中，我们给出了模型的模拟结果，但是，我们仍然不知道临界温度<math>T_C</math>是如何求出的。另外，在[[临界状态]]中，系统的热力学量呈现出一系列的标度行为，它们可以由幂指数<math>\alpha,\beta,\gamma,\eta</math>等来刻画，但是我们仍然不知道如何求出它们的数值。尽管对Ising求解有很多种方法，[[重整化]]则是这些方法中最独特的一个。它一反传统方法的讨论，即从模型的动力学性质或者统计性质出发，求出临界温度和幂律指数，而是直接从模型处于临界时候所展现出来的自相似性出发直接对模型进行重整化计算，而忽略模型的详细规则。
对于Ising模型的重整化方法主要包括：实空间的重整化和波数空间（或者叫动量空间）的重整化两种方法。前者比较直观，即从对Ising所在的空间进行不同尺度的缩放操作，从而得到模型的尺度不变性质。后者虽然比较抽象，而且依赖于Ising模型配分函数的空间积分形式，但是却可以得到比较精确，而且不依赖于[[粗粒化]]方法的解。
===实空间的重正化===
===实空间的重整化===
重整化方法的出发点是基于Ising模型在临界状态下具有广泛的不同标度之间的相似性。然而，这种自相似性具体指的是什么呢？
首先，我们需要从不同的尺度来观察Ising模型。然而，Ising模型本身就是一个N个小磁针构成的晶格系统，晶格之间的距离已经是最小尺度了，我们无法再观察更小尺度的系统。但是，我们可以从更大的尺度来观察Ising模型。这就意味着，我们需要对一些小磁针进行'''信息的忽略'''，从而获得对系统的更粗的描述。这一过程就成为“[[粗粒化]]”（Coase Graining）过程。
首先，我们需要从不同的尺度来观察Ising模型。然而，Ising模型本身就是一个N个小磁针构成的晶格系统，晶格之间的距离已经是最小尺度了，我们无法再观察更小尺度的系统。但是，我们可以从更大的尺度来观察Ising模型。这就意味着，我们需要对一些小磁针进行'''信息的忽略'''，从而获得对系统的更粗的描述。这一过程就成为“[[粗粒化]]”（Coase Graining）过程。
因此，只要配分函数的函数形式确定之后，系统的一切热力学性质就都确定下来了。这样，当我们说Ising模型在两个尺度彼此相似的时候，实际上是在说两个不同尺度下的配分函数形式相同。
因此，只要配分函数的函数形式确定之后，系统的一切热力学性质就都确定下来了。这样，当我们说Ising模型在两个尺度彼此相似的时候，实际上是在说两个不同尺度下的配分函数形式相同。
总结来看，重整化操作实际上包含两大步骤，（1）对系统进行粗粒化，从两个不同的尺度上描述Ising模型；（2）写出两个不同尺度下的配分函数，让它们的形式彼此相同。根据这个条件，我们就可以写出重整化群方程，从而计算出我们想要的值。
===一维ISING模型的重正化===
===一维ISING模型的重整化===
一维Ising不存在临界相变点，因此重整化群方程也不能得到非平凡的解。但是，由于一维Ising模型的重整化操作简单易懂，所以我们还是先用一维模型来讨论重整化的整体思路。
首先，一维Ising形成了一条链，并且相邻的两个小磁针彼此有相互作用如下图第一行所示，其中a表示两个磁针之间的间隔。
首先，一维Ising形成了一条链，并且相邻的两个小磁针彼此有相互作用如下图第一行所示，其中a表示两个磁针之间的间隔。
然后，我们要对该系统进行粗粒化描述。即观察者站在更远的距离来观察这个模型，忽略了一些微观信息。具体过程如下图所示。
然后，我们要对该系统进行粗粒化描述。即观察者站在更远的距离来观察这个模型，忽略了一些微观信息。具体过程如下图所示。
[[File:1drenormalization.png||一维ISING模型的重正化]]
[[File:1drenormalization.png||一维ISING模型的重整化]]
在图中的第一行是原始的模型，第二行是对原始模型的粗粒化，我们把小磁针两两分组，然后简单的忽略了偶数位置上的小磁针的信息，而将奇数位置的小磁针的状态值作为相邻两个小磁针作为一个粗粒化的“大磁针”的整体状态。其中某一个大磁针的状态就用<math>s_I</math>，它也仅仅取-1或者+1，并且数值上与奇数位置的小磁针一样。
在图中的第一行是原始的模型，第二行是对原始模型的粗粒化，我们把小磁针两两分组，然后简单的忽略了偶数位置上的小磁针的信息，而将奇数位置的小磁针的状态值作为相邻两个小磁针作为一个粗粒化的“大磁针”的整体状态。其中某一个大磁针的状态就用<math>s_I</math>，它也仅仅取-1或者+1，并且数值上与奇数位置的小磁针一样。
<math>\frac{1}{kT^{(s+1)}}=\frac{1}{2}\log (\cosh (2\frac{1}{kT^{(s)}}))</math>
<math>\frac{1}{kT^{(s+1)}}=\frac{1}{2}\log (\cosh (2\frac{1}{kT^{(s)}}))</math>
在进行了无穷大次重整化操作以后，得到不动点(令<math>s\rightarrow \infty</math>)：
<math>\frac{1}{kT^{*}}=\frac{1}{2}\log (\cosh (\frac{2}{kT^{*}}))</math>
<math>\frac{1}{kT^{*}}=\frac{1}{2}\log (\cosh (\frac{2}{kT^{*}}))</math>
这个方程就是温度T所要满足的重整化群不动点方程，从中求解出T*，得到唯一的稳定解：
<math>T^*=0</math>
<math>T^*=0</math>
就是临界温度。因此，我们用重整化群的方法求解出了一维Ising模型的临界温度为0。但是，温度为0这一点并不是系统的相变点。但却是一维模型中的一个平凡的满足自相似性的点(因为配分函数在标度变换下保持不变)。所以，重整化群方法进行了成功的预测。
===二维ISING模型的重正化===
===二维ISING模型的重整化===
我们可以采用类似的思路对二维网格上面的Ising模型进行重整化，写出重整化群方程。但是，由于二维模型的邻域结构远比一维模型复杂，因此，重整化方法也变得复杂。我们可以按照直观的方法对空间网格进行归并，但是这样计算写出的式子非常繁琐。为了让重整化方程简单，我们不得不增加自由参数的个数（类似一维模型中的k0和T'），在二维模型中，我们需要考虑至少4个自由待定参数，即<math>K_1,K_2,K_3,K_4</math>。
首先，我们对二维网格ISING模型进行粗粒化描述，见下图：
首先，我们对二维网格ISING模型进行粗粒化描述，见下图：
[[File:2drenormalization.png||二维ISING模型的重正化]]
[[File:2drenormalization.png||二维ISING模型的重整化]]
为了使得后面的计算尽量简单，我们并没有直接将二维网格划分成<math>b\times b</math>的大网格，而是按照上图(a)所示方法进行忽略信息。即将图(a)中的灰色方格的小磁针忽略掉，只保留白色格子的小磁针。接下来得到的图(b)就是保留下白色方格小磁针之后的ISING模型。注意原模型中的<math>s_5</math>去掉了，在新模型图(b)中，小磁针1,2,3,4成为了邻居。将图(b)顺时针旋转45度，并将尺度缩小<math>1/\sqrt(2)</math>就可以得到跟原模型（图(a)）一致的Ising模型。图b和c中的虚线为二维Ising模型重正化群过程引入的非近邻相互作用（参见下文）。
为了使得后面的计算尽量简单，我们并没有直接将二维网格划分成<math>b\times b</math>的大网格，而是按照上图(a)所示方法进行忽略信息。即将图(a)中的灰色方格的小磁针忽略掉，只保留白色格子的小磁针。接下来得到的图(b)就是保留下白色方格小磁针之后的ISING模型。注意原模型中的<math>s_5</math>去掉了，在新模型图(b)中，小磁针1,2,3,4成为了邻居。将图(b)顺时针旋转45度，并将尺度缩小<math>1/\sqrt(2)</math>就可以得到跟原模型（图(a)）一致的Ising模型。图b和c中的虚线为二维Ising模型重整化群过程引入的非近邻相互作用（参见下文）。
同样地，我们可以将原系统的配分函数写成两部分，一部分为去掉的黑色方格的，另一部分为剩下的白色格子的。另外，为了记号方便，我们记<math>K_1=\frac{1}{kT}</math>：
同样地，我们可以将原系统的配分函数写成两部分，一部分为去掉的黑色方格的，另一部分为剩下的白色格子的。另外，为了记号方便，我们记<math>K_1=\frac{1}{kT}</math>：
</math>
</math>
我们看到，要想让新的配分函数与原来的配分函数形式相同，必须引入<math>K_0',K_1',K_2',K_3'</math>这四个系数，并且，1和3，2和4两组邻居也要发生相互作用（参看上图中的虚线），还要考虑四体相互作用。虽然在原模型中不存在这些相互作用，但是在重正化的时候，它们必须引入，否则我们无法写出重正化方程。进一步，利用待定系数法可以求出这8个系数与<math>K_1</math>的关系(**)：
我们看到，要想让新的配分函数与原来的配分函数形式相同，必须引入<math>K_0',K_1',K_2',K_3'</math>这四个系数，并且，1和3，2和4两组邻居也要发生相互作用（参看上图中的虚线），还要考虑四体相互作用。虽然在原模型中不存在这些相互作用，但是在重整化的时候，它们必须引入，否则我们无法写出重整化方程。进一步，利用待定系数法可以求出这8个系数与<math>K_1</math>的关系(**)：
[[File:Parameters.png||参数重正化]]
[[File:Parameters.png||参数重整化]]
在其中，我们主要关心参数<math>K_1'</math>，因为只有它与温度有关，经过一系列计算和近似，我们可以写出该参数的重正化群不动点方程：
在其中，我们主要关心参数<math>K_1'</math>，因为只有它与温度有关，经过一系列计算和近似，我们可以写出该参数的重整化群不动点方程：
<math>
<math>
求解这个方程的迭代不动点，我们得到了一个非0解：<math>K_1^{*}=0.507</math>，这是一个非平凡的不动点。因此，我们通过<math>K_1=\frac{1}{kT^{*}}</math>得到了二维Ising模型的临界温度。
求解这个方程的迭代不动点，我们得到了一个非0解：<math>K_1^{*}=0.507</math>，这是一个非平凡的不动点。因此，我们通过<math>K_1=\frac{1}{kT^{*}}</math>得到了二维Ising模型的临界温度。
===Wilson的重正化群理论===
===Wilson的重整化群理论===
上面讨论了一维和二维ISING模型的重整化方法，其中用到的粗粒化操作和重整化方程显得过于任意。尤其是对于二维Ising模型进行重整化，为了得到合理的重整化的配分函数，必须引入次近邻的相互作用，而这种相互作用在原始的模型中是不存在的。
为了避免这个矛盾，Wilson首先提出了广义的Ising模型，其中，次近邻、次次近邻相互作用在原始模型中都是允许的。其次，Wilson讨论了更一般的对于广义ISING模型的重整化操作，和广义的重整化群方程。这种重整化并不牵扯到具体的粗粒化方法，因此是一种高度的概括。但是，在这种抽象的重整化操作下，我们还能计算出各种热力学变量随温度幂律变化的幂指数。总之，Wilson为重整化群操作奠定了坚实的数学基础。
Wilson重整化方法的核心观点是，首先，针对广义的Ising模型，我们用一个参数向量<math>(K_0,K_1,K_2,\cdot\cdot\cdot)</math>来刻画，这是最广义的Ising模型，它包含了近邻、次近邻、三体、四体等等各种相互作用。其次，Wilson讨论一般的重整化算符R，把它反复应用在Ising模型上，就得到了广义参数空间<math>(K_0,K_1,K_2,\cdot\cdot\cdot)</math>中的一个重整化流。而这个重整化流的最终吸引子就是临界点（对应临界参数K*）。最后，将重整化算子R在临界点K*附近泰勒展开，就可以把R进行线性化，而线性化算子的特征根的对数就对应了相关的临界指数，而特征向量就是重整化操作中重要的参数。
====广义的ISING模型====
====广义的ISING模型====
这种广义模型当然涵盖了原始的Ising模型，只要令相应的次近邻相互作用、三体相互作用、四体相互作用等系数为0就可以了。
这种广义模型当然涵盖了原始的Ising模型，只要令相应的次近邻相互作用、三体相互作用、四体相互作用等系数为0就可以了。
====重正化群算符====
====重整化群算符====
所谓的重整化群操作实际上就是通过两个不同的尺度来刻画系统，并且让它们的配分函数保持形式不变。假设我们对原始模型放大尺度<math>b_1</math>倍，我们通过原始模型的配分函数，求和掉忽略的小磁针状态，而得到新的尺度<math>b_1</math>下的Ising模型。假设原始的模型和新尺度下的模型分别可以用参数向量<math>{K},{K'}</math>来刻画，为了保证两个尺度的配分函数形式不变，我们会得到这两个参数向量的重整化方程：
<math>
<math>
</math>
</math>
其中，<math>R_{b_1}</math>就是一个广义的重正化算符。例如在一维模型中，这个算符写成（*）式，在二维模型中，这个算符就是(**)对应的映射。实际上，只要我们按照恰当的方法进行粗粒化操作，都可以表达成广义的算符R。
其中，<math>R_{b_1}</math>就是一个广义的重整化算符。例如在一维模型中，这个算符写成（*）式，在二维模型中，这个算符就是(**)对应的映射。实际上，只要我们按照恰当的方法进行粗粒化操作，都可以表达成广义的算符R。
接下来，我们还可以反复地将系统扩大<math>b_2</math>倍<math>b_3</math>倍等等。这就相当于我们得到了一系列参数向量：
接下来，我们还可以反复地将系统扩大<math>b_2</math>倍<math>b_3</math>倍等等。这就相当于我们得到了一系列参数向量：
</math>
</math>
等等。同时，我们知道将一个系统放大<math>b_2 b_3</math>与先放大<math>b_2</math>，再放大<math>b_3</math>倍没有区别，也就是重正化算符满足：
等等。同时，我们知道将一个系统放大<math>b_2 b_3</math>与先放大<math>b_2</math>，再放大<math>b_3</math>倍没有区别，也就是重整化算符满足：
<math>
<math>
</math>
</math>
所以，R构成了一个单参数化的[[半群]]，也叫重正化群。
所以，R构成了一个单参数化的[[半群]]，也叫重整化群。
====重正化流====
====重整化流====
其次，对同一个Ising模型上反复做重整化就会得到一系列的参数：
<math>
<math>
</math>
</math>
这在参数空间中构成了一个重整化流，如下图：
[[File:ISINGsurf.png||重正化流]]
[[File:ISINGsurf.png||重整化流]]
图中所示的折线就表示重整化流构成的参数空间中的轨迹。这个轨迹可能最终会收敛到一个不动点<math>K^*</math>（图中红色点所示）。当到达不动点的时候，系统处于临界状态。因此，所谓的临界状态就是重整化操作的一个不动点。即一个特殊的参数向量K*，满足：
<math>
<math>
====普适类====
====普适类====
更有趣的是，由于<math>K^*</math>是吸引子，所以参数空间中的其他参数点在重正化群操作下也有可能会收敛到K*点。这些最终可能被吸收到K*的所有参数点集合就构成了一个普适类(universality class)。如上图中曲面就是这个集合，以这些参数组合为基本参数的Ising模型经过相同的一系列重正化算符R操作，都会收敛到K*点，所以这些Ising模型就都属于同一种普适类。
更有趣的是，由于<math>K^*</math>是吸引子，所以参数空间中的其他参数点在重整化群操作下也有可能会收敛到K*点。这些最终可能被吸收到K*的所有参数点集合就构成了一个普适类(universality class)。如上图中曲面就是这个集合，以这些参数组合为基本参数的Ising模型经过相同的一系列重整化算符R操作，都会收敛到K*点，所以这些Ising模型就都属于同一种普适类。
除了四方网格的Ising模型以外，还有三角划分的Ising模型、六角格的Ising模型等，它们都属于同一个普适类，并且这些Ising模型具有同样的临界温度，同样的普适类幂指数（例如<math>\alpha,\beta,\gamma</math>等）。
除了四方网格的Ising模型以外，还有三角划分的Ising模型、六角格的Ising模型等，它们都属于同一个普适类，并且这些Ising模型具有同样的临界温度，同样的普适类幂指数（例如<math>\alpha,\beta,\gamma</math>等）。
====临界指数====
====临界指数====
我们下面来对重整化算符R做线性近似。首先我们可以将算子R在不动点K*附近做泰勒展开：
<math>
<math>
我们对系统做s次相同尺度b的重整化操作，就相当于在特征向量方向上参数扩大<math>(b^{y_i})^s</math>倍，而这有三种可能性：
* 当<math>b^{y_i}>1</math>，则最终得到的<math>\Delta K_i'</math>会大于0，这样的参数<math>K_i</math>我们叫做相关的(relevant)；
* 当<math>b^{y_i}>1</math>，则最终得到的<math>\Delta K_i'</math>会大于0，这样的参数<math>K_i</math>我们叫做相关的(relevant)；
也就是说，在连续进行重整化操作的时候，只有那些相关的参数会逐渐被放大，对系统的行为起到主导作用。因此相应的相关参数的临界指数<math>y_i</math>刻画了系统在重整化过程中的行为本质。
以上的讨论都是针对一般的重整化操作而谈的。当我们回到Ising模型，就会发现，实际的相关参数只有温度T和外场H。于是，在重整化过程中，有：
<math>
<math>
</math>
</math>
所以两个临界指数<math>y_t,y_h</math>刻画了系统在临界态附近的特征。再将上述关系代入到配分函数中，我们就可以得到，随着重正化操作：
所以两个临界指数<math>y_t,y_h</math>刻画了系统在临界态附近的特征。再将上述关系代入到配分函数中，我们就可以得到，随着重整化操作：
<math>
<math>
</math>
</math>
至此，重整化群给出了所有临界幂律行为一个合理的解释。
===波数空间的重正化===
===波数空间的重整化===
前面我们已经讨论过了Ising模型在实空间中的重整化(Real Space Renormalization)。但是重整化中的粗粒化操作显得过于任意。虽然Wilson的重整化群理论克服了这一困难，但是由于牵涉到了无穷维的参数空间，所以重整化算符很难写出具体的表达形式。基于这种考虑，我们在此将介绍一种新的重整化的方法，它不是在直观的实空间中做的，而是在抽象的实空间的[[傅立叶变换]]空间（波数空间）中做重整化。这样的重整化过程比较具体，没有过多的任意性。但是本质思想是与实空间的重整化一致的。
具体思路是这样：首先，我们需要把配分函数写成函数积分的形式（路径积分）。在此过程中，我们将Ising模型变换到了一个抽象的场<math>\phi</math>，这个场是在实空间下的。其次，我们将对<math>\phi</math>做傅立叶变换，变换到波数空间k下面。于是，配分函数就可以写成波数空间下的积分形式，且积分的上限是无穷大。再次，我们对波数空间下的配分函数的积分范围进行截断，即积分上限近似到<math>\Lambda</math>。然后，对波数空间的积分变量进行重标度，即让<math>k'=k/b</math>，从而可以把原配分函数的积分形式分为两部分。积分掉波数比较大的部分，得到了重正化的新的配分函数的积分形式Z'。最后，要让Z'和原始的Z形式一致，从而列出关于Z中各参数的重正化群方程，求出不动点和临界指数。
具体思路是这样：首先，我们需要把配分函数写成函数积分的形式（路径积分）。在此过程中，我们将Ising模型变换到了一个抽象的场<math>\phi</math>，这个场是在实空间下的。其次，我们将对<math>\phi</math>做傅立叶变换，变换到波数空间k下面。于是，配分函数就可以写成波数空间下的积分形式，且积分的上限是无穷大。再次，我们对波数空间下的配分函数的积分范围进行截断，即积分上限近似到<math>\Lambda</math>。然后，对波数空间的积分变量进行重标度，即让<math>k'=k/b</math>，从而可以把原配分函数的积分形式分为两部分。积分掉波数比较大的部分，得到了重整化的新的配分函数的积分形式Z'。最后，要让Z'和原始的Z形式一致，从而列出关于Z中各参数的重整化群方程，求出不动点和临界指数。
====Ginzburg Landau方程====
====Ginzburg Landau方程====
其中<math>g(L(\phi))</math>是第二部分积分的结果，为常数，因此又可以合并到前面的积分中去，记为<math>L'=L(\phi(k))+\frac{b}{\Lambda}g(L(\phi))</math>。
其中<math>g(L(\phi))</math>是第二部分积分的结果，为常数，因此又可以合并到前面的积分中去，记为<math>L'=L(\phi(k))+\frac{b}{\Lambda}g(L(\phi))</math>。
====重正化方程====
====重整化方程====
对积分S做变量替换<math>k'=bk</math>，又可以写为：
对积分S做变量替换<math>k'=bk</math>，又可以写为：
<math>
<math>
</math>
</math>
这样这个积分就与原始的积分 <math>S=\int_0^{\Lambda}L(\phi(k))dk</math>有了完全相同的形式。从而比较两个函数L和L'，我们就能写出配分函数中各个系数的重正化方程：
这样这个积分就与原始的积分 <math>S=\int_0^{\Lambda}L(\phi(k))dk</math>有了完全相同的形式。从而比较两个函数L和L'，我们就能写出配分函数中各个系数的重整化方程：
<math>
<math>
</math>
</math>
从而求得不动点（临界参数），线性化为重整化群，求得各种临界指数。
由此，我们看到，波数空间中的重整化与实空间中的重整化异曲同工。然而，波数空间中的重整化利用积分的分解来完成粗粒化操作，比实空间更严格。然而，由于波数空间与实空间被傅利叶变换联系，所以这两种形成一种对偶的关系。
==参考文献==
==参考文献==
==相关wiki==
==相关wiki==
*[[Ising模型]]
*[[Ising模型]]
*[[ISING模型的重正化]]
*[[ISING模型的重整化]]
*[[Ising模型与最大熵分布]]
*[[Ising模型与最大熵分布]]
*[[From dynamics to equilibrium]]
*[[From dynamics to equilibrium]]