《报告ppt-熵与流从复杂到生命》由会员分享，可在线阅读，更多相关《报告ppt-熵与流从复杂到生命（47页珍藏版）》请在金锄头文库上搜索。
1、“熵”与“流”,从“复杂到生命”系列之二张江 集智俱乐部,提纲,关注热力学,统计物理、 熵,生命之流,熵,永动机与热力学定律,第一类永动机（第一定律） 第二类永动机（第二定律）,能源,E,Q,W,耗散掉的热,有用功,Q= TS0,克劳修斯熵,E= Q+ W,Q0,自然系统的“目的性”,香水会扩散到空气中 破镜不能重圆 屋子会堆满尘土,自发现象,非自发现象,将香水装入瓶子中 铸造新的镜子 把屋子打扫干净,两个实例,热二定律不仅仅适用于“物理”系统,统计物理的目标,微观：大量分子 解释宏观量：压强、体积、温度、能量、熵 解释宏观热力学定律，例如理想气体状态方程：PV/T=C 其中，熵的解释最关键,
2、一个简单实例(其实就是大数定律),有N=6个随机数(x1,x2,x6)，每个xi只能取值0或者1 一个观察者，由于观测手段上的缺陷，只能看到N=6个数的和，而不知道每个数具体是几 一次试验就是产生N=6个随机数，观察者得到一次具体的观测数值（N个数的和值） 重复进行多次试验，观察者将会得到什么结论？ 观察者得到最多的结果是3，而0或者6几乎很难观察到 当N非常大的时候，观察者只能得到结论N/2，其他结果“消失了”,解释,000000,000001,000010,111111,微观态(共26个),000111,001101,0,1,2,3,6,4,5,宏观态,C(6,0)=1,C(6,1)=6,
3、C(6,2)=15,C(6,3)=20,C(6,6)=1,C(6,4)=15,C(6,5)=6,观察,一个宏观态X对应的微观态数目W(X),熵S(X)=k lnW(X),玻尔兹曼登场,一个物理模型,一个假想的容器，里面有N=6个不同小球，小球的速度大小固定，方向随机取值，匀速直线运动（忽略小球间的碰撞，碰到器壁将反弹）。假设小球每个时刻只能占领一个格子,第一步：定义微观状态,假设共有N=6个小球，m=140个方格，则微观状态共有：mN个,第二步：引入关键假设,因为每个小球等可能地选择方格 所以每个微观状态都是等可能的玻尔兹曼引入了关键假设： 每个微观状态都等概率地被访问 这个叫做等概率假设,第
4、三步：引入宏观态,由于我们对系统的观察能力有限，不能看到微观的格子，而只能看到宏观的格子（左、右两个大格子）,3,3,4,2,6,0,宏观态,第四步：计算状态数,一个宏观态对应多少微观态？,6,0,W=C(6,6)706 =706个,5,1,W=C(6,5)706 =8*706个,3,3,W=C(6,3)706 =20*706个,第五步：计算熵,S=k ln W 解释： 熵就是我们观察到的一种宏观表现损失的该系统有关细节信息的度量 熵最大的状态就是我们能观察到的最可能状态 如果粒子数非常巨大，那么熵最大的那个状态将占有绝对优势,第六步：还原热力学,通过最大化熵得到宏观态性质 压强、温度、能量等
5、全部获得解释 能量小球 热量分散于各个大方格的小球 功某一个大方格所集中的小球 温度小球的平均密度 热从高温流向低温小球从密度大的地方流向密度小的地方系统总的熵增大 热力学的规律可以全部被导出,时间箭头与观察者,微观状态,宏观状态,最可能（熵最大）状态,观察,玻尔兹曼试图从牛顿动力学导出热二定律，结果失败 因为：时间箭头是一种观察者眼中的“幻觉”,总结,统计物理是一种研究系统的方法 熵是联系微观到宏观的一种量 第二定律不存在于微观物理规律中 我们观察到的世界不是必然这样子的，而是最可能是这样子的 统计物理是一种方法，具有“腾飞”的潜力,统计物理“开始腾飞”,从玻尔兹曼到吉布斯,Gibbs简化B
6、oltzman的熵公式其中i表示一个宏观状态，n为总宏观状态数 pi表示该宏观状态对应的微观状态数/总的可能微观状态数,从统计物理到最优化,Gibbs将统计物理问题变成了一个最优化求解问题，例如：,最大化熵,概率的“归一化”约束,平均能量不变（E为常数，ei常数为第i个宏观态（能级）的能量数值）,正则系综（Canonical Ensemble）,统计物理的跨学科应用,目前，统计物理已经渗透到各种学科 例如， 组合优化、约束满足问题可以转化为一个统计物理问题 该问题的原型叫做Spin Glass模型 物理中的相变行为也存在于组合优化问题中,从统计物理到信息论,Shannon给Gibbs的熵公式赋
7、予了新的解释忘掉宏观态和微观态 一个系统可能有n种状态1,2,n 取每个状态的概率是pi 则该系统包含的信息量是 对于一个陌生的系统，由于我们了解它的信息最少，所以，最小化I，得到分布pi pi最大的那个i就是最可能的状态,Jaynes学派的统计物理,通常，人们认为统计物理是本质，Shannon的信息论是受到统计物理的启发而得出的 Jaynes学派正相反，认为Shannon的信息熵是本质，统计物理不过是一种统计推断的理论 Jaynes学派将统计物理变成了一门“主观猜测”的学问 Jaynes学派能走多远？,关注流动,流动与秩序,贝纳得花纹,普遍的流动规律,West和Banavar的解释都用到了“
8、最大流”假说,非平衡态统计物理的新进展？,生态学中，1922年Lotka提出“Maximum Power Principle” 物理学中讨论多年的Maximum Entropy Production Principle Bejan从传热学中悟出了Maximum Flux Principle R.C. Dewar在2003年的时候在Physica A上发表了一篇论文Information theory explanation of the fluctuation theorem, maximum entropy production and self-organized criticality
9、in non-equilibrium stationary states,最大流现象,流动速度最大的路径是时间最短的那条,蚂蚁觅食的启示,最快的路径会被自然选出,寻求统计解释？,R.C. Dewar沿袭Jaynes的思想，将统计物理看作一种统计推断的算法； 该算法不仅可以用到分子小球上，也可以用到系统的“小流动”上； 下面给出Dewar统计解释的“Jake演绎的通俗版本”,统计解释,给定一个网络 从A到B有3条路径： ACEFB ACFB ADB 每1秒都有一个粒子从A流入 每个粒子在每个节点进行随机选择一条边转移 粒子到B点就消失,A,B,C,D,E,F,最短的路径具有最大的流动是因为观察者
10、时间尺度的跳跃！,A,B,C,D,E,F,A,B,C,D,E,F,A,B,C,D,E,F,A,B,C,D,E,F,A,B,C,D,E,F,A,B,C,D,E,F,A,C,D,F,A,C,D,F,A,C,D,F,微观态,E,E,E,B,B,B,5,4,2,2,2,3,4,每间隔9秒观察一次得到时间宏观态,ADB路径：重复4次 ACFB：重复2次 ACEFB：重复1次,宏观态得到流量,A,B,C,D,E,F,最可能的流动路径，对应最短的路程,最大化熵产生原理,将每段小流动看作系综在状态空间中的概率转移，流动路径对应系统演化路径 一个远离平衡态的系统会自发熵增，演化到终态（平衡态）。 一个路径上的为
11、该路径的平均“熵产生” 每条路径对应的概率p看作流过该路径的流量 从非平衡态到平衡态的演变路径中，一条最快的路径（熵产生最大）会被重复最多（流动最大） 从非平衡态A到任意状态B （可以为非平衡），按照同样的推理也可以得到一条“最可能”（重复最多）的路径，它是熵产生最大的路径 任何时候，我们开始一个从A点的演化，将最有可能观察到熵产生最大的那条演化路径,熵,平衡态,初始态,Dewar的原思路,对于任意一条演化路径r，定义概率pr 最大化路径信息熵： 满足一系列约束： 系统的初始条件 系统的边界条件 物质、能量守恒条件 求最大路径信息熵得到分布 其中为该路径的熵产生，为优化过程中的拉格朗日系数，可
12、看作广义的温度，Z是配分函数 Dewar得到了非平衡态的正则统计系综，解释了试验证实了的涨落定理、最大熵产生原理和自组织临界性,总结,热力学第二定律（熵最大化）作为一种系统的目标会作用到不同对象上（可以是分子，可以是流动） 最大化信息熵可作为一种元优化而导出各种具体的优化（如最大流、最大熵产生） 熵来源于观察者观察客观世界的缺陷（忽略信息） 统计物理、最大熵原理蕴含着达尔文的自然选择原理（最适者生存最可能者生存）,参考文献,关于热物理,我读过的一本关于热二定律的最好的科普书：,关于熵和信息论,张学文的组成论（浅显易懂、大胆想象）,Jaynes的个人主页： http:/bayes.wustl.e
13、du/etj/etj.html,惭愧：按理说信息论应该介绍一些Shannon的书，可惜我没怎么读过,关于统计物理的跨学科应用,介绍此人主页： http:/cnls.lanl.gov/chertkov/ 这上面有很多信息，包括统计物理如何用于组合优化问题的书籍和文章，感兴趣的朋友好好挖一挖,有关3/4幂律及其解释,建议我写的综述性科普文章： http:/ 主要是第一、和第二两篇，连接出很多文章原文（包括West和Banavar的）,Scaling in Biology,http:/ http:/ http:/ 一本书 http:/ （很“物理”，不过有些地方给人感觉过于任意和粗糙） http:/ （比较正规、数学化）,有关热力学与进化论,Survival of the likeliest http:/
