更改

系统的任何给定的形状变化大多是随机的，但当系统恰好暂时更善于吸收和耗散功时，这些形态变化中最持久和不可逆的发生。随着时间的推移，这些不易擦除的变化的记忆会优先积累，系统越来越多地采用类似于其历史上消散的形状。回顾这个非平衡过程的产物可能的历史，在我们看来，这个结构已经自我组织成一种状态，很好地适应了环境条件。这就是耗散适应（dissipative adaptation）现象。

系统的任何给定的形状变化大多是随机的，但系统恰好在吸收和耗散功方面有暂时的优势时，这些结构上的变化就会出现最持久和最不可逆的变化。随着时间的推移，这些不易擦除的变化的记忆会优先积累，系统越来越多地采用与它的历史中耗散发生的形状相似的形状。回顾这个非平衡过程的产物可能的历史，这种结构似乎已经自组织到一种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，温度为T的系统与热储层保持接触的时间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。

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。

 

 

 

 

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。