更改

系统中任何既定的改变大多数都是随机的，但当系统恰巧可以更好地吸收和耗散能量时，这些结构上的变化就会出现最持久和最不可逆的变化。随着时间流逝，这些不可逆变化被优先积累了下来，于是在耗散发生时系统更倾向于形成类似的构型。回顾这一非平衡过程的可能形成历史，我们会发现这一结构已经自我组织成一种可以很好地适应环境条件的状态，这就是耗散适应（dissipative adaptation）现象。

系统中任何既定的改变大多数都是随机的，但当系统恰巧可以更好地吸收和耗散能量时，这些结构上的变化就会出现最持久和最不可逆的变化。随着时间流逝，这些不可逆变化被优先积累了下来，于是在耗散发生时系统更倾向于形成类似的构型。回顾这一非平衡过程的可能形成历史，我们会发现这一结构已经自我组织成一种可以很好地适应环境条件的状态，这就是耗散适应（dissipative adaptation）现象。

p(j) / p(k) = exp [ - (E_j - E_k)  / k_B T]  （公式1）

p(j) / p(k) = exp [ - (E_j - E_k)  / k_B T]  （公式1）

这里，k_B是波尔兹曼常数。如图1a所示，在经典的平衡统计力学情景中，系统与温度为T的热储层接触长时间τ，丢失了其初始状态i的所有记忆，因此，微观状态j和k的相对概率(p)是这些状态各自能量的简单指数函数。由于能量守恒，在从一种状态转变到另一种状态的过程中，释放到浴槽中的热量(ΔQ)与在这一过程中发生的内能(ΔE)的变化相等且相反。

 

如图1a所示，在经典的平衡统计力学情景中，系统与温度为T的热储层接触长时间τ，丢失了其初始状态i的所有记忆，因此，微观状态j和k的相对概率(p)是这些状态各自能量的简单指数函数。由于能量守恒，在从一种状态转变到另一种状态的过程中，释放到浴槽中的热量(ΔQ)与在这一过程中发生的内能(ΔE)的变化相等且相反。

[[文件:Figure 1 Assembly probability in the presence of thermal fluctuations.png|缩略图|图1 存在热波动时的组装概率。]]

[[文件:Figure 1 Assembly probability in the presence of thermal fluctuations.png|缩略图|图1 存在热波动时的组装概率。]]

然而，如图1b所示，当引入一个外部驱动，并且在有限的时间内观察系统，发现系统处于给定状态的概率通常取决于初始条件和系统是如何被驱动的。非平衡统计力学的挑战是试图用热力学量来表达这种概率分布，热力学量现在不仅包括最终态的内能，还包括在态间过渡期间驱动器所做的功。对于同一实验的单一实现，热(ΔQ)是一个波动的随机变量，它是由驱动过程中所做的功(W)和内能变化(ΔE)之间的差决定的。

然而，如图1b所示，当引入一个外部驱动，并且在有限的时间内观察系统，发现系统处于给定状态的概率通常取决于初始条件和系统是如何被驱动的。非平衡统计力学的挑战是试图用热力学量来表达这种概率分布，热力学量现在不仅包括最终态的内能，还包括在态间过渡期间驱动器所做的功。对于同一实验的单一实现，热(ΔQ)是一个波动的随机变量，它是由驱动过程中所做的功(W)和内能变化(ΔE)之间的差决定的。