更改

删除8字节 、 2022年10月14日 (五) 22:09
第89行: 第89行:  
= 本征微观态及其演化 =
 
= 本征微观态及其演化 =
 
对于一个由<math>N</math>个主体组成的复杂系统,我们可以从实验测量或计算机模拟中获得主体的状态<ref name="Chen">{{cite journal |last1=Sun|first1=Yu|last2=Hu|first2=Gaoke|last3= Zhang|first3=Yongwen|last4=Lu|first4=Bo|last5=Lu|first5=Zhenghui|last6=Fan|first6=Jingfang|last7=Li|first7= Xiaoteng|last8=Deng|first8=Qimin|last9=Chen|first9=Xiaosong|title=Eigen microstates and their evolutions in complex systems|journal=Communications in Theoretical Physics|date=6 May 2021|volume=73|issue=6|doi=10.1088/1572-9494/abf127}}</ref>。依次使用时间<math>t=1, 2, … ,M</math>的状态,我们可以得到主体<math>i=1,2, … , N</math>的状态序列<math>S_i(t)</math>。
 
对于一个由<math>N</math>个主体组成的复杂系统,我们可以从实验测量或计算机模拟中获得主体的状态<ref name="Chen">{{cite journal |last1=Sun|first1=Yu|last2=Hu|first2=Gaoke|last3= Zhang|first3=Yongwen|last4=Lu|first4=Bo|last5=Lu|first5=Zhenghui|last6=Fan|first6=Jingfang|last7=Li|first7= Xiaoteng|last8=Deng|first8=Qimin|last9=Chen|first9=Xiaosong|title=Eigen microstates and their evolutions in complex systems|journal=Communications in Theoretical Physics|date=6 May 2021|volume=73|issue=6|doi=10.1088/1572-9494/abf127}}</ref>。依次使用时间<math>t=1, 2, … ,M</math>的状态,我们可以得到主体<math>i=1,2, … , N</math>的状态序列<math>S_i(t)</math>。
      
一个主体<math>i</math>的平均状态是
 
一个主体<math>i</math>的平均状态是
第95行: 第94行:  
<math>\begin{eqnarray}\delta {S}_{i}(t)={S}_{i}(t)-\langle {S}_{i}\rangle\end{eqnarray}</math>。这里定义一个具有所有主体的波动的微观态,它由一个<math>N</math>维矢量表示:
 
<math>\begin{eqnarray}\delta {S}_{i}(t)={S}_{i}(t)-\langle {S}_{i}\rangle\end{eqnarray}</math>。这里定义一个具有所有主体的波动的微观态,它由一个<math>N</math>维矢量表示:
 
<math>\begin{eqnarray}\delta {\boldsymbol{S}}(t)=\left[\begin{array}{c}\delta {S}_{1}(t)\\ \delta {S}_{2}(t)\\ \vdots \\ \delta {S}_{N}(t)\end{array}\right]\end{eqnarray}</math>。
 
<math>\begin{eqnarray}\delta {\boldsymbol{S}}(t)=\left[\begin{array}{c}\delta {S}_{1}(t)\\ \delta {S}_{2}(t)\\ \vdots \\ \delta {S}_{N}(t)\end{array}\right]\end{eqnarray}</math>。
      
有了<math>M</math>个微观态,我们可以组成一个复杂系统的统计系综。这个系综由一个<math>N×M</math>的矩阵<math>\boldsymbol{A}</math>来描述,其元素为<math>\begin{eqnarray}{A}_{{it}}=\displaystyle \frac{\delta {S}_{i}(t)}{\sqrt{{C}_{0}}}\end{eqnarray}</math>,其中
 
有了<math>M</math>个微观态,我们可以组成一个复杂系统的统计系综。这个系综由一个<math>N×M</math>的矩阵<math>\boldsymbol{A}</math>来描述,其元素为<math>\begin{eqnarray}{A}_{{it}}=\displaystyle \frac{\delta {S}_{i}(t)}{\sqrt{{C}_{0}}}\end{eqnarray}</math>,其中
 
<math> {C}_{0}={\sum }_{t=1}^{M}{\sum }_{i=1}^{N}\delta {S}_{i}^{2}(t)</math>,<math>\boldsymbol{A}</math>的列序与微观态的演变相一致。
 
<math> {C}_{0}={\sum }_{t=1}^{M}{\sum }_{i=1}^{N}\delta {S}_{i}^{2}(t)</math>,<math>\boldsymbol{A}</math>的列序与微观态的演变相一致。
      
<math>t</math>和<math>t^{\prime}</math>的微观态之间的相关性由它们的矢量乘积定义:<math>\begin{eqnarray}{C}_{{tt}^{\prime} }=\delta {\boldsymbol{S}}{\left(t\right)}^{{\rm{T}}}\cdot \delta {\boldsymbol{S}}(t^{\prime} )=\displaystyle \sum _{i=1}^{N}\delta {S}_{i}(t)\delta {S}_{i}(t^{\prime} )\end{eqnarray}</math> <ref name="hu">{{cite journal |last1=Hu|first1=Gaoke|last2=Teng|first2=Liu|last3=Maoxin|first3=Liu|last4=Wei|first4=Chen|last5=Xiaosong|first5=Chen|title=Condensation of eigen microstate in statistical ensemble and phase transition|journal=Science China Physics, Mechanics & Astronomy|date=25 April 2019|volume=62|issue=2019|doi=10.1007/s11433-018-9353-x}}</ref>。
 
<math>t</math>和<math>t^{\prime}</math>的微观态之间的相关性由它们的矢量乘积定义:<math>\begin{eqnarray}{C}_{{tt}^{\prime} }=\delta {\boldsymbol{S}}{\left(t\right)}^{{\rm{T}}}\cdot \delta {\boldsymbol{S}}(t^{\prime} )=\displaystyle \sum _{i=1}^{N}\delta {S}_{i}(t)\delta {S}_{i}(t^{\prime} )\end{eqnarray}</math> <ref name="hu">{{cite journal |last1=Hu|first1=Gaoke|last2=Teng|first2=Liu|last3=Maoxin|first3=Liu|last4=Wei|first4=Chen|last5=Xiaosong|first5=Chen|title=Condensation of eigen microstate in statistical ensemble and phase transition|journal=Science China Physics, Mechanics & Astronomy|date=25 April 2019|volume=62|issue=2019|doi=10.1007/s11433-018-9353-x}}</ref>。
 
以<math>{C}_{tt}^{\prime} </math>作为其元素,我们可以得到一个<math>M×M</math>的微观态相关矩阵:<math>\begin{eqnarray}{\boldsymbol{C}}={C}_{0}{{\boldsymbol{A}}}^{{\rm{T}}}\cdot {\boldsymbol{A}}\end{eqnarray}</math>,其轨迹<math>Tr\boldsymbol{C}={\sum }_{t=1}^{M}{C}_{tt}={C}_{0}</math> 。相关矩阵<math>\boldsymbol{C}</math>有<math>M</math>个特征向量<math>V_J</math>,其中<math>J = 1, 2, ⋯ , M</math>,我们可以用它们组成一个<math>M×M</math>的单元矩阵
 
以<math>{C}_{tt}^{\prime} </math>作为其元素,我们可以得到一个<math>M×M</math>的微观态相关矩阵:<math>\begin{eqnarray}{\boldsymbol{C}}={C}_{0}{{\boldsymbol{A}}}^{{\rm{T}}}\cdot {\boldsymbol{A}}\end{eqnarray}</math>,其轨迹<math>Tr\boldsymbol{C}={\sum }_{t=1}^{M}{C}_{tt}={C}_{0}</math> 。相关矩阵<math>\boldsymbol{C}</math>有<math>M</math>个特征向量<math>V_J</math>,其中<math>J = 1, 2, ⋯ , M</math>,我们可以用它们组成一个<math>M×M</math>的单元矩阵
 
<math>\boldsymbol{V}=\left[\boldsymbol{V}_1 \boldsymbol{V}_2 \ldots \boldsymbol{V}_M\right]</math>
 
<math>\boldsymbol{V}=\left[\boldsymbol{V}_1 \boldsymbol{V}_2 \ldots \boldsymbol{V}_M\right]</math>
      
此外,我们在这里考虑动态微观态<math>δS_i</math>和<math>δS_j</math>之间的相关性:<math>\begin{eqnarray}{{\boldsymbol{S}}}_{j}^{{{T}}}=\displaystyle \sum _{t=1}^{M}\delta {S}_{i}(t)\delta {S}_{j}(t)\end{eqnarray}</math>。以<math>K_{ij}</math>为元素,我们可以得到一个<math>N×N</math>的动态微观态的相关矩阵:
 
此外,我们在这里考虑动态微观态<math>δS_i</math>和<math>δS_j</math>之间的相关性:<math>\begin{eqnarray}{{\boldsymbol{S}}}_{j}^{{{T}}}=\displaystyle \sum _{t=1}^{M}\delta {S}_{i}(t)\delta {S}_{j}(t)\end{eqnarray}</math>。以<math>K_{ij}</math>为元素,我们可以得到一个<math>N×N</math>的动态微观态的相关矩阵:
 
<math>\begin{eqnarray}{\boldsymbol{K}}={C}_{0}{\boldsymbol{A}}\cdot {\boldsymbol{A}}^{T}\end{eqnarray}</math>,其轨迹<math>Tr\boldsymbol{K}={\sum }_{t=1}^{N}{K}_{ii}={C}_{0}</math>。相关矩阵<math>\boldsymbol{K}</math>有<math>N</math>个特征向量<math>U_I</math>,其中<math>I = 1, 2, ⋯ , N</math>,我们可以用它们组成一个<math>N×N</math>的单元矩阵
 
<math>\begin{eqnarray}{\boldsymbol{K}}={C}_{0}{\boldsymbol{A}}\cdot {\boldsymbol{A}}^{T}\end{eqnarray}</math>,其轨迹<math>Tr\boldsymbol{K}={\sum }_{t=1}^{N}{K}_{ii}={C}_{0}</math>。相关矩阵<math>\boldsymbol{K}</math>有<math>N</math>个特征向量<math>U_I</math>,其中<math>I = 1, 2, ⋯ , N</math>,我们可以用它们组成一个<math>N×N</math>的单元矩阵
 
<math>\boldsymbol{U}=\left[\boldsymbol{U}_1 \boldsymbol{U}_2 \ldots \boldsymbol{U}_N\right]</math>。
 
<math>\boldsymbol{U}=\left[\boldsymbol{U}_1 \boldsymbol{U}_2 \ldots \boldsymbol{U}_N\right]</math>。
      
根据奇异值分解<ref>{{cite book |last=Strang| first=Gilbert | title=Introduction to Linear Algebra, 4th edn |year=2009 | pages=284}}</ref>,系综矩阵<math>\boldsymbol{A}</math>可以被分解为<math>\begin{eqnarray}{\boldsymbol{A}}={\boldsymbol{U}}\cdot {\boldsymbol{\Sigma }}\cdot {{\boldsymbol{V}}}^{{\rm{T}}},\end{eqnarray}</math>
 
根据奇异值分解<ref>{{cite book |last=Strang| first=Gilbert | title=Introduction to Linear Algebra, 4th edn |year=2009 | pages=284}}</ref>,系综矩阵<math>\boldsymbol{A}</math>可以被分解为<math>\begin{eqnarray}{\boldsymbol{A}}={\boldsymbol{U}}\cdot {\boldsymbol{\Sigma }}\cdot {{\boldsymbol{V}}}^{{\rm{T}}},\end{eqnarray}</math>
   −
对<math>\boldsymbol{A}</math>进行奇异值分解,统计系综可被分解为:
+
对<math>\boldsymbol{A}</math>进行奇异值分解,统计系综可被分解为<math>A=\sum_{i=1}^r \sigma_i U_i \otimes V_i</math>
 
  −
 
  −
<math>A=\sum_{i=1}^r \sigma_i U_i \otimes V_i</math>
  −
 
  −
 
  −
这里的<math>r=min (N, M)</math>,其中,<math>U_i</math>为本征微观态,<math>V_i</math>为该本征微观态遵循的时间演化,⊗表示克罗内克积,其中<math>\sigma_i</math>表示<math>U_i</math>在系综中的概率,且满足归一化条件
  −
 
  −
 
  −
<math>\sum_{i=1}^r \sigma_i^2=1</math>
      +
这里的<math>r=min (N, M)</math>,其中,<math>U_i</math>为本征微观态,<math>V_i</math>为该本征微观态遵循的时间演化,⊗表示克罗内克积,其中<math>\sigma_i</math>表示<math>U_i</math>在系综中的概率,且满足归一化条件:<math>\sum_{i=1}^r \sigma_i^2=1</math>。
    
用这样的方法,可以将原来相互关联的微观态转变为相互独立的本征微观态,就可以将最初的微观态用本征微观态进行线性组合,这个线性组合的大小与本征值<math>\sigma_i</math>(即权重因子)成正比,即<math>\sigma_i</math>越大,占比越多。
 
用这样的方法,可以将原来相互关联的微观态转变为相互独立的本征微观态,就可以将最初的微观态用本征微观态进行线性组合,这个线性组合的大小与本征值<math>\sigma_i</math>(即权重因子)成正比,即<math>\sigma_i</math>越大,占比越多。
第134行: 第121行:  
== 本征微观态和相变的凝聚 ==
 
== 本征微观态和相变的凝聚 ==
 
一般来说,在一个无序的复杂系统中并不存在一个主要的本征值和微观态,但当我们将微观态转变为本征微观态时,原来的每个微观态都可以看作一系列的本征微观态的线性求和<ref name="Chen">{{cite journal |last1=Sun|first1=Yu|last2=Hu|first2=Gaoke|last3= Zhang|first3=Yongwen|last4=Lu|first4=Bo|last5=Lu|first5=Zhenghui|last6=Fan|first6=Jingfang|last7=Li|first7= Xiaoteng|last8=Deng|first8=Qimin|last9=Chen|first9=Xiaosong|title=Eigen microstates and their evolutions in complex systems|journal=Communications in Theoretical Physics|date=6 May 2021|volume=73|issue=6|doi=10.1088/1572-9494/abf127}}</ref>。
 
一般来说,在一个无序的复杂系统中并不存在一个主要的本征值和微观态,但当我们将微观态转变为本征微观态时,原来的每个微观态都可以看作一系列的本征微观态的线性求和<ref name="Chen">{{cite journal |last1=Sun|first1=Yu|last2=Hu|first2=Gaoke|last3= Zhang|first3=Yongwen|last4=Lu|first4=Bo|last5=Lu|first5=Zhenghui|last6=Fan|first6=Jingfang|last7=Li|first7= Xiaoteng|last8=Deng|first8=Qimin|last9=Chen|first9=Xiaosong|title=Eigen microstates and their evolutions in complex systems|journal=Communications in Theoretical Physics|date=6 May 2021|volume=73|issue=6|doi=10.1088/1572-9494/abf127}}</ref>。
      
如果一个概率振幅<math>σ</math>成为主导,以至于它在<math>M → ∞</math>和<math>N → ∞</math>时能够取得一个有限的极限,那么在统计集合中就会出现本征微观态<math>{\boldsymbol{A}}_{I}^{e}</math>的凝聚,这类似于玻色气体里的玻色-爱因斯坦凝聚。一个本征微观态的凝聚,表现为有限比例的无限本征微观态共享这个本征微观态。一个新的相将出现在系统中,而新相的特征是本征微观态<math>U_I</math>,新相的演变,可以通过<math>V_I</math>来描述。
 
如果一个概率振幅<math>σ</math>成为主导,以至于它在<math>M → ∞</math>和<math>N → ∞</math>时能够取得一个有限的极限,那么在统计集合中就会出现本征微观态<math>{\boldsymbol{A}}_{I}^{e}</math>的凝聚,这类似于玻色气体里的玻色-爱因斯坦凝聚。一个本征微观态的凝聚,表现为有限比例的无限本征微观态共享这个本征微观态。一个新的相将出现在系统中,而新相的特征是本征微观态<math>U_I</math>,新相的演变,可以通过<math>V_I</math>来描述。
248

个编辑