Vật Lý Thống Kê và Nhiệt với Ứng Dụng Máy Tính - Princeton University Press 2010

Sách Statistical and Thermal Physics của Harvey Gould và Jan Tobochnik (Princeton, 2010). Ứng dụng máy tính, vật lý thống kê, nhiệt động lực học.

Chuyên ngành

Vật Lý

Người đăng

Ẩn danh

Thể loại

Sách giáo khoa

2006

411
2
0

Phí lưu trữ

75 Point

Mục lục chi tiết

1. From Microscopic to Macroscopic Behavior

1.2. Some qualitative observations

Quality of energy

Some simple simulations

Work, heating, and the first law of thermodynamics

Measuring the pressure and temperature

*The fundamental need for a statistical approach

*Time and ensemble averages

*Models of matter

The ideal gas

Importance of simulations

Suggestions for Further Reading

Pressure Equation of State

Some Thermodynamic Processes

2. The First Law of Thermodynamics

Energy Equation of State

Heat Capacities and Enthalpy

3. The Second Law of Thermodynamics

The Thermodynamic Temperature

The Second Law and Heat Engines

Equivalence of Thermodynamic and Ideal Gas Scale Temperatures

The Thermodynamic Pressure

The Fundamental Thermodynamic Relation

The Entropy of an Ideal Gas

The Third Law of Thermodynamics

Appendix 2B: Mathematics of Thermodynamics

Suggestions for Further Reading

4. Concepts of Probability

4.1. Probability in everyday life

The rules of probability

The meaning of probability

Information and uncertainty

Bernoulli processes and the binomial distribution

Continuous probability distributions

The Gaussian distribution as a limit of the binomial distribution

The central limit theorem or why is thermodynamics possible?

The Poisson distribution and should you fly in airplanes?

*Traffic flow and the exponential distribution

*Are all probability distributions Gaussian?

Suggestions for Further Reading

5. Statistical Mechanics

5.2. A simple example of a thermal interaction

*One-dimensional Ising model

A particle in a one-dimensional box

One-dimensional harmonic oscillator

One particle in a two-dimensional box

One particle in a three-dimensional box

Two noninteracting identical particles and the semiclassical limit

The number of states of N noninteracting particles: Semiclassical limit

The microcanonical ensemble (fixed E, V, and N)

Systems in contact with a heat bath: The canonical ensemble (fixed T, V, and N)

Connection between statistical mechanics and thermodynamics

Simple applications of the canonical ensemble

Simulations of the microcanonical ensemble

Simulations of the canonical ensemble

Grand canonical ensemble (fixed T, V, and µ)

Entropy and disorder

Appendix 4A: The Volume of a Hypersphere

Appendix 4B: Fluctuations in the Canonical Ensemble

Suggestions for Further Reading

Thermodynamics of magnetism

The Ising model

The Ising Chain

*Spin-spin correlation function

Simulations of the Ising chain

Absence of a phase transition in one dimension

The Two-Dimensional Ising Model

Computer simulation of the two-dimensional Ising model

Mean-Field Theory

*Infinite-range interactions

Suggestions for Further Reading

6. Noninteracting Particle Systems

6.2. The Classical Ideal Gas

Classical Systems and the Equipartition Theorem

Maxwell Velocity Distribution

Occupation Numbers and Bose and Fermi Statistics

Distribution Functions of Ideal Bose and Fermi Gases

Single Particle Density of States

The Equation of State for a Noninteracting Classical Gas

Black Body Radiation

Noninteracting Fermi Gas

Ground-state properties

Low temperature thermodynamic properties

The Heat Capacity of a Crystalline Solid

The Einstein model

Appendix 6A: Low Temperature Expansion

Suggestions for Further Reading

7. Thermodynamic Relations and Processes

7.3. Applications of the Maxwell Relations

Internal energy of an ideal gas

Relation between the specific heats

Applications to Irreversible Processes

The Joule or free expansion process

Joule-Thomson process

Equilibrium Between Phases

Clausius-Clapeyron equation

Simple phase diagrams

Pressure dependence of the melting point

Pressure dependence of the boiling point

The vapor pressure curve

Suggestions for Further Reading

8. Classical Gases and Liquids

8.2. The Free Energy of an Interacting System

Second Virial Coefficient

High Temperature Expansion

Radial Distribution Function

Relation of thermodynamic functions to g(r)

Variable number of particles

Density expansion of g(r)

Computer Simulation of Liquids

Perturbation Theory of Liquids

The van der Waals Equation

Chandler-Weeks-Andersen theory

*The Ornstein-Zernicke Equation

*Integral Equations for g(r)

Debye-Hückel Theory

Linearized Debye-Hückel approximation

Diagrammatic Expansion for Charged Particles

Appendix 8A: The third virial coefficient for hard spheres

9. Critical Phenomena

9.1. A Geometrical Phase Transition

Renormalization Group for Percolation

The Liquid-Gas Transition

Landau Theory of Phase Transitions

Other Models of Magnetism

Universality and Scaling Relations

The Renormalization Group and the 1D Ising Model

The Renormalization Group and the Two-Dimensional Ising Model

Suggestions for Further Reading

10. Introduction to Many-Body Perturbation Theory

10.2. Occupation Number Representation

Operators in the Second Quantization Formalism

Weakly Interacting Bose Gas

SI derived units

Euler-Maclaurin formula

Tóm tắt

I. Tổng Quan Về Vật Lý Thống Kê và Ứng Dụng Máy Tính

Vật lý thống kê là một nhánh của vật lý học nghiên cứu các hệ thống vĩ mô từ quan điểm thống kê của các thành phần vi mô của chúng. Nó cung cấp một cầu nối giữa thế giới vi mô, tuân theo các định luật cơ học lượng tử hoặc cơ học cổ điển và thế giới vĩ mô, nơi các thuộc tính như nhiệt độ, áp suất và entropy thống trị. Thay vì theo dõi quỹ đạo của từng hạt riêng lẻ, vật lý thống kê sử dụng các phương pháp xác suất để mô tả hành vi của một số lượng lớn các hạt. Nhiệt động lực học, một lý thuyết vĩ mô, cung cấp một khuôn khổ để liên hệ các thuộc tính vĩ mô của một hệ thống với nhau. Vấn đề là, sự phức tạp của nhiều hệ thống làm cho việc giải các phương trình chính xác trở nên bất khả thi. Ứng dụng máy tính đã trở thành một công cụ không thể thiếu trong việc giải quyết các vấn đề này. Mô phỏng Monte Carlo, giải thuật số, và phần mềm vật lý thống kê cho phép các nhà nghiên cứu khám phá các hệ thống phức tạp, từ mô hình Ising đến chuỗi Markov Monte Carlo (MCMC). Các kết quả mô phỏng cung cấp những hiểu biết sâu sắc về hành vi của các hệ thống này, bổ sung cho các lý thuyết và thí nghiệm hiện có. Phân tích dữ liệu vật lýxử lý tín hiệu vật lý là những lĩnh vực quan trọng khác được hưởng lợi từ sức mạnh của máy tính. Lập trình vật lý đang ngày càng trở nên quan trọng đối với các nhà vật lý muốn hiểu và dự đoán hành vi của các hệ thống phức tạp.

1.1. Bản chất của Vật Lý Thống Kê

Vật lý thống kê xem xét các hệ thống bao gồm số lượng lớn các hạt, nơi các định luật của thống kê điều khiển hành vi tổng thể. Thay vì cố gắng theo dõi chuyển động của từng hạt, nó tập trung vào các đại lượng trung bình và phân bố xác suất. Các ensemble thống kê (microcanonical, canonical, grand canonical) là những công cụ cơ bản được sử dụng để mô tả các hệ thống ở trạng thái cân bằng. Các khái niệm về entropy và thông tin đóng vai trò quan trọng trong việc hiểu sự hỗn loạn và thông tin chứa trong một hệ thống. Theo Harvey Gould và Jan Tobochnik, mục tiêu của chương giới thiệu này là khám phá những khác biệt cơ bản giữa các hệ vi mô và vĩ mô, đồng thời mối liên hệ giữa cơ học cổ điển và vật lý thống kê.

1.2. Vai trò của Máy Tính trong Nghiên cứu Vật Lý

Máy tính cung cấp một nền tảng để mô phỏng và giải quyết các vấn đề vật lý thống kê phức tạp một cách số học. Mô phỏng Monte Carlo, một kỹ thuật mạnh mẽ, cho phép các nhà nghiên cứu mô phỏng các hệ thống với số lượng lớn các hạt bằng cách sử dụng lấy mẫu ngẫu nhiên. Giải thuật số được sử dụng để giải các phương trình vi phân và tích phân, cung cấp các giải pháp gần đúng cho các bài toán không thể giải được bằng các phương pháp phân tích. Các ngôn ngữ lập trình vật lý như Python, C++ và Fortran thường được sử dụng để phát triển các công cụ mô phỏng và phân tích. Các công cụ này cung cấp một phương tiện để kiểm tra các lý thuyết, khám phá các hiện tượng mới và dự đoán hành vi của các hệ thống phức tạp. Phần mềm vật lý thống kê có thể được sử dụng để giải các bài toán vật lý thống kê.

1.3. Ý nghĩa của phương pháp thống kê trong vật lý.

Theo kinh nghiệm hàng ngày, các hệ vĩ mô như một cốc nước và một quả bóng rổ bao gồm nhiều phân tử. Mặc dù lực liên phân tử trong nước tạo ra một quỹ đạo phức tạp cho mỗi phân tử, các tính chất quan sát được của nước rất dễ mô tả. Hơn nữa, nếu chúng ta chuẩn bị hai cốc nước trong các điều kiện tương tự, chúng ta sẽ thấy rằng các tính chất quan sát được của nước trong mỗi cốc là không thể phân biệt được, mặc dù chuyển động của các hạt riêng lẻ trong hai cốc sẽ rất khác nhau. Vì hành vi vĩ mô của nước phải liên quan đến quỹ đạo của các phân tử cấu thành của nó bằng một cách nào đó, chúng ta kết luận rằng phải có một mối quan hệ giữa khái niệm nhiệt độ và cơ học.

II. Thách Thức khi Nghiên Cứu Vật Lý Thống Kê Cần Máy Tính

Một trong những thách thức lớn nhất trong vật lý thống kê là sự phức tạp cố hữu của nhiều hệ thống. Ngay cả những hệ thống tương đối đơn giản, chẳng hạn như chất lỏng hoặc chất rắn, có thể bao gồm số lượng lớn các hạt tương tác. Việc giải quyết các phương trình chuyển động cho từng hạt riêng lẻ là không khả thi về mặt tính toán. Ngoài ra, các hiện tượng như chuyển pha và hiện tượng tới hạn thường phát sinh từ các tương tác tập thể giữa các hạt, khiến chúng khó phân tích bằng các phương pháp phân tích. Ứng dụng máy tính giúp vượt qua những thách thức này bằng cách cung cấp các phương tiện để mô phỏng các hệ thống phức tạp và khám phá hành vi của chúng trong các điều kiện khác nhau. Các phương pháp mô phỏng Monte Carlo đặc biệt phù hợp để nghiên cứu các hệ thống có độ tự do lớn, trong khi giải thuật số có thể được sử dụng để giải các phương trình mô tả các hiện tượng tập thể. Máy tính còn đóng vai trò quan trọng trong phân tích dữ liệu vật lý, đặc biệt là trong việc xác định các mẫu và xu hướng từ các bộ dữ liệu lớn được tạo ra bởi các mô phỏng và thí nghiệm. Điều này đòi hỏi các thuật toán xử lý tín hiệu vật lý.

2.1. Giới hạn của Phương Pháp Phân Tích

Các phương pháp phân tích, chẳng hạn như giải các phương trình vi phân và thực hiện các phép tích phân, thường chỉ có thể áp dụng cho các hệ thống lý tưởng hóa với số lượng hạt nhỏ hoặc tương tác đơn giản. Đối với các hệ thống thực tế, có thể cần đến các phương pháp gần đúng hoặc giả định đơn giản hóa. Tuy nhiên, những phương pháp này có thể không nắm bắt được tất cả các hành vi quan trọng của hệ thống. Ví dụ, việc tính số trạng thái có thể có cho mỗi macrostate cho N = 8 hạt cho phép các macrostate với n = N/2 có thể xảy ra hơn macrostate với n = N.

2.2. Sự Cần Thiết của Mô Phỏng

Mô phỏng cung cấp một phương tiện để vượt qua những giới hạn của các phương pháp phân tích bằng cách mô phỏng trực tiếp hành vi của các hệ thống phức tạp. Bằng cách mô phỏng quỹ đạo của từng hạt riêng lẻ hoặc bằng cách sử dụng các kỹ thuật lấy mẫu thống kê, các nhà nghiên cứu có thể có được những hiểu biết sâu sắc về hành vi của một hệ thống mà không cần phải đưa ra các giả định đơn giản hóa. Ví dụ: ứng dụng tại <stp.edu/simulations/lj.html> mô phỏng một hệ cô lập gồm N hạt tương tác thông qua thế Lennard-Jones.

2.3. Yêu cầu về hiệu năng tính toán cao.

Để một hệ thống đạt đến trạng thái cân bằng, các đại lượng vĩ mô quan tâm trở nên độc lập với thời gian trên trung bình, nhưng thể hiện các dao động quanh các giá trị trung bình của chúng. Điều này có nghĩa là việc theo dõi các phần tử trong một thời gian dài là cần thiết. Các yếu tố như số lượng phân tử, các kiểu chuyển động phải được bao gồm trong tính toán, đòi hỏi năng lực tính toán mạnh mẽ.

III. Mô Phỏng Monte Carlo Phương Pháp Ứng Dụng Máy Tính Tiêu Biểu

Mô phỏng Monte Carlo là một lớp các thuật toán tính toán dựa trên lấy mẫu ngẫu nhiên để có được kết quả số. Chúng được sử dụng rộng rãi trong vật lý thống kê để mô phỏng hành vi của các hệ thống phức tạp, đặc biệt là khi các phương pháp phân tích không khả thi. Trong bối cảnh vật lý thống kê, mô phỏng Monte Carlo thường được sử dụng để mô phỏng hành vi của các hệ thống bao gồm số lượng lớn các hạt tương tác. Các hạt có thể đại diện cho các nguyên tử, phân tử, spin hoặc các độ tự do khác. Mô phỏng Monte Carlo có thể được sử dụng để nghiên cứu các hệ thống ở trạng thái cân bằng hoặc để mô phỏng các quá trình động lực học. Các ứng dụng phổ biến bao gồm mô hình Ising, các vấn đề về chất lỏng, chuyển pha và vật liệu từ tính. Chuỗi Markov Monte Carlo (MCMC) là một loại cụ thể của thuật toán Monte Carlo cho phép lấy mẫu hiệu quả từ các phân bố xác suất phức tạp.

3.1. Nguyên Tắc Cơ Bản của Phương Pháp Monte Carlo

Các phương pháp Monte Carlo dựa trên việc tạo ra các số ngẫu nhiên để mô phỏng một hệ thống. Trong mỗi bước của mô phỏng, một cấu hình mới được tạo ra một cách ngẫu nhiên và sau đó được chấp nhận hoặc từ chối dựa trên một số tiêu chí. Quá trình này được lặp lại nhiều lần cho đến khi hệ thống đạt đến trạng thái cân bằng. Một thuật toán phổ biến được sử dụng trong vật lý thống kê là thuật toán Metropolis, nơi các cấu hình mới được chấp nhận với xác suất phụ thuộc vào sự thay đổi năng lượng của hệ thống. Nếu năng lượng giảm, cấu hình mới luôn được chấp nhận. Nếu năng lượng tăng, cấu hình mới được chấp nhận với xác suất tỷ lệ với thừa số Boltzmann, exp(-ΔE/kT), trong đó ΔE là sự thay đổi năng lượng, k là hằng số Boltzmann và T là nhiệt độ.

3.2. Ứng Dụng của Mô Hình Ising

Mô hình Ising là một mô hình toán học của vật liệu từ tính. Nó bao gồm một mạng lưới các spin, mỗi spin có thể ở một trong hai trạng thái: lên hoặc xuống. Năng lượng của hệ thống phụ thuộc vào các tương tác giữa các spin lân cận. Mục tiêu là xác định hành vi của hệ thống ở các nhiệt độ khác nhau. Ở nhiệt độ thấp, các spin có xu hướng căn chỉnh theo cùng một hướng, dẫn đến trạng thái sắt từ. Ở nhiệt độ cao, các spin được định hướng ngẫu nhiên, dẫn đến trạng thái thuận từ. Mô phỏng Monte Carlo có thể được sử dụng để mô phỏng hành vi của mô hình Ising và xác định nhiệt độ tới hạn, ở đó hệ thống trải qua quá trình chuyển pha. Ví dụ: Ứng dụng tại <stp.edu/simulations/ising.html> mô phỏng mô hình Ising hai chiều bằng cách sử dụng thuật toán Metropolis.

3.3. Mô phỏng chuỗi Markov Monte Carlo MCMC .

Chuỗi Markov Monte Carlo (MCMC) là một lớp các thuật toán cho việc lấy mẫu từ một phân bố xác suất bằng cách xây dựng một chuỗi Markov có phân bố cân bằng là phân bố mong muốn. Trạng thái của chuỗi sau một số lượng lớn các bước sau đó được sử dụng làm mẫu của phân phối. Ví dụ: thuật toán Metropolis là một thuật toán MCMC.

IV. Giải Thuật Số và Phần Mềm Công Cụ Hỗ Trợ Phân Tích

Ngoài mô phỏng Monte Carlo, nhiều giải thuật số được sử dụng trong vật lý thống kê để giải các phương trình vi phân và tích phân, để phân tích dữ liệu và để trực quan hóa kết quả. Ví dụ, các phương pháp phần tử hữu hạn có thể được sử dụng để giải các phương trình mô tả sự phân bố nhiệt hoặc dòng chảy chất lỏng. Các thuật toán phân tích chuỗi thời gian có thể được sử dụng để xác định các mẫu và xu hướng trong dữ liệu được tạo ra bởi các mô phỏng hoặc thí nghiệm. Các công cụ phần mềm vật lý thống kê như Mathematica, MATLAB và Python cung cấp một bộ sưu tập các hàm và thư viện mạnh mẽ có thể được sử dụng để thực hiện nhiều nhiệm vụ phân tích và mô phỏng. Quan trọng là các phương pháp phân tích dữ liệu vật lý luôn đi kèm công đoạn xử lý tín hiệu vật lý để làm sạch nhiễu.

4.1. Các Phương Pháp Giải Số Phổ Biến

Các phương pháp giải số phổ biến trong vật lý thống kê bao gồm phương pháp Runge-Kutta để giải các phương trình vi phân, phương pháp Newton-Raphson để tìm nghiệm của các phương trình phi tuyến và phép biến đổi Fourier nhanh để phân tích tín hiệu. Các phương pháp này có thể được sử dụng để giải quyết một loạt các vấn đề, từ việc mô phỏng động lực học của các hệ thống phức tạp đến việc phân tích các đặc tính thống kê của dữ liệu. Ví dụ, các phương trình di chuyển có thể được giải số bằng cách sử dụng các thuật toán khác nhau để có được các trạng thái mong muốn.

4.2. Vai Trò Của Phần Mềm Chuyên Dụng

Các phần mềm chuyên dụng như Mathematica, MATLAB và Python cung cấp một môi trường toàn diện để phát triển và thực hiện các thuật toán tính toán. Chúng cung cấp một loạt các hàm và thư viện dựng sẵn cho các nhiệm vụ như tích phân, phân vi phân, đại số tuyến tính và phân tích thống kê. Ngoài ra, chúng cung cấp các công cụ trực quan hóa mạnh mẽ cho phép các nhà nghiên cứu khám phá dữ liệu và trình bày kết quả. Điều này giúp những người nghiên cứu các tính chất của vật liệu hiểu rõ hơn các hệ thống phức tạp như kim loại hoặc chất bán dẫn.

4.3. Xử lý dữ liệu số trong vật lý.

Nghiên cứu giải thuật số sử dụng các mô hình của một số hệ thống vật lý khác nhau, chẳng hạn như mạng Ising, hệ hạt cứng, chất lỏng Lennard-Jones, polyme và bề mặt gồ ghề. Thường thì các hệ thống này được xác định bởi một bộ quy tắc chuyển động mà kết quả của chúng được phân tích về mặt thống kê.

V. Ứng Dụng Thực Tiễn Khoa Học Vật Liệu Sinh Học Vũ Trụ Học

Vật lý thống kê và ứng dụng máy tính có một loạt các ứng dụng trong nhiều lĩnh vực khoa học và kỹ thuật. Trong khoa học vật liệu, chúng được sử dụng để thiết kế các vật liệu mới với các tính chất mong muốn, để dự đoán hành vi của vật liệu trong các điều kiện khắc nghiệt và để tối ưu hóa các quá trình sản xuất. Trong sinh học, chúng được sử dụng để mô hình hóa hành vi của protein, DNA và các phân tử sinh học khác, để hiểu các quá trình tế bào và để phát triển các loại thuốc mới. Trong vũ trụ học, chúng được sử dụng để mô phỏng sự hình thành và tiến hóa của các thiên hà và các cấu trúc lớn khác trong vũ trụ. Các lĩnh vực ứng dụng khác bao gồm tài chính, kỹ thuật và khoa học môi trường. Hiểu biết về nhiệt động lực học từ tính đặc biệt quan trọng trong những ứng dụng này. Ví dụ, mô hình Ising có ứng dụng trực tiếp trong việc hiểu các hệ thống spin.

5.1. Thiết Kế Vật Liệu Tiên Tiến

Các phương pháp mô phỏng có thể được sử dụng để dự đoán các tính chất của vật liệu mới trước khi chúng được tổng hợp trong phòng thí nghiệm. Điều này có thể giúp các nhà khoa học vật liệu thiết kế vật liệu với các tính chất mong muốn, chẳng hạn như độ bền cao, độ dẫn điện cao hoặc độ trong suốt cao. Các ví dụ bao gồm mô phỏng các cấu trúc điện tử để dự đoán độ bền của vật liệu và mô phỏng sự khuếch tán để dự đoán sự ổn định của vật liệu.

5.2. Mô Hình Hóa Hệ Thống Sinh Học Phức Tạp

Các phương pháp vật lý thống kê có thể được sử dụng để mô hình hóa các hệ thống sinh học phức tạp, chẳng hạn như protein, DNA và tế bào. Điều này có thể giúp các nhà sinh học hiểu rõ hơn về chức năng của các phân tử sinh học này và cách chúng tương tác với nhau. Ví dụ, mô phỏng Monte Carlo có thể được sử dụng để mô phỏng việc gấp protein và động lực học phân tử có thể được sử dụng để mô phỏng sự tương tác giữa thuốc và protein.

5.3. Nghiên Cứu Vũ Trụ Học và Sự Tiến Hóa của Vũ Trụ

Các phương pháp vật lý thống kê có thể được sử dụng để mô phỏng sự hình thành và tiến hóa của các thiên hà và các cấu trúc lớn khác trong vũ trụ. Điều này có thể giúp các nhà vũ trụ học hiểu rõ hơn về lịch sử và tương lai của vũ trụ. Ví dụ, mô phỏng N-body có thể được sử dụng để mô phỏng sự tiến hóa của vật chất tối và sự hình thành của các thiên hà.

VI. Kết Luận và Hướng Phát Triển Vật Lý Thống Kê Tương Lai

Vật lý thống kê và ứng dụng máy tính là những lĩnh vực mạnh mẽ có tiềm năng cách mạng hóa nhiều lĩnh vực khoa học và kỹ thuật. Khi sức mạnh tính toán tiếp tục tăng lên và các thuật toán mới được phát triển, chúng ta có thể mong đợi thấy những ứng dụng thú vị hơn nữa trong tương lai. Các lĩnh vực đang phát triển bao gồm máy học cho vật lý thống kê, vật lý thống kê ngoài cân bằng và việc nghiên cứu các hệ thống phức tạp như mạng xã hội và hệ thống kinh tế. Các mô hình chuỗi Markov Monte Carlo (MCMC) tiếp tục đóng vai trò quan trọng. Việc tận dụng phần mềm vật lý thống kê hiệu quả sẽ là chìa khóa cho những khám phá mới. Phân tích dữ liệu vật lý chuyên sâu vẫn là trọng tâm, kết hợp cùng xử lý tín hiệu vật lý tiên tiến.

6.1. Tích Hợp Máy Học vào Vật Lý Thống Kê

Các kỹ thuật máy học, chẳng hạn như mạng nơ-ron và máy vector hỗ trợ, đang ngày càng được sử dụng trong vật lý thống kê để phân tích dữ liệu, xác định các mẫu và dự đoán hành vi của hệ thống. Ví dụ, máy học có thể được sử dụng để xây dựng các mô hình chính xác hơn về các hệ thống phức tạp hoặc để tối ưu hóa các mô phỏng. Chúng ta có thể sử dụng nó để xây dựng các phương trình vi phân mới mà nếu không thì không thể tìm được với việc xử lý bằng tay.

6.2. Nghiên Cứu Các Hệ Thống Xa Cân Bằng

Phần lớn nghiên cứu vật lý thống kê tập trung vào các hệ thống ở trạng thái cân bằng. Tuy nhiên, nhiều hệ thống thực tế đang ở trạng thái xa cân bằng, chẳng hạn như hệ thống rối loạn, hệ thống sống và hệ thống giao thông. Phát triển các phương pháp để nghiên cứu những hệ thống này là một lĩnh vực nghiên cứu đầy thách thức nhưng quan trọng. Về bản chất, nhiều hệ thống xa trạng thái cân bằng là tương tác nhiều cơ thể, trong đó sự đối xứng được thể hiện kém hoặc không có chút nào.

6.3. Ứng Dụng Vật Lý Thống Kê Trong Các Lĩnh Vực Mới

Các kỹ thuật vật lý thống kê ngày càng được áp dụng cho nhiều lĩnh vực ngoài vật lý, chẳng hạn như tài chính, khoa học xã hội và khoa học máy tính. Ví dụ, vật lý thống kê có thể được sử dụng để mô hình hóa hành vi của thị trường tài chính, để phân tích mạng xã hội hoặc để thiết kế các thuật toán học tập máy tốt hơn. Tuy nhiên, cần lưu ý cẩn thận rằng điều này có thể đơn giản hóa nhiều vấn đề.

27/09/2025

Trích đoạn nội dung tài liệu

Contents 1 From Microscopic to Macroscopic Behavior 1 1.2 Some qualitative observations .4 Quality of energy .5 Some simple simulations .6 Work, heating, and the first law of thermodynamics .7 Measuring the pressure and temperature .8 *The fundamental need for a statistical approach .9 *Time and ensemble averages .10 *Models of matter .1 The ideal gas .11 Importance of simulations. 24 Suggestions for Further Reading .5 Pressure Equation of State .6 Some Thermodynamic Processes .com CONTENTS ii 2.8 The First Law of Thermodynamics .9 Energy Equation of State .10 Heat Capacities and Enthalpy .12 The Second Law of Thermodynamics .13 The Thermodynamic Temperature .14 The Second Law and Heat Engines .16 Equivalence of Thermodynamic and Ideal Gas Scale Temperatures .17 The Thermodynamic Pressure .18 The Fundamental Thermodynamic Relation .19 The Entropy of an Ideal Gas .20 The Third Law of Thermodynamics. 65 Appendix 2B: Mathematics of Thermodynamics. 73 Suggestions for Further Reading.

80 3 Concepts of Probability 82 3.1 Probability in everyday life .2 The rules of probability .4 The meaning of probability .1 Information and uncertainty .5 Bernoulli processes and the binomial distribution .6 Continuous probability distributions .7 The Gaussian distribution as a limit of the binomial distribution .8 The central limit theorem or why is thermodynamics possible? .9 The Poisson distribution and should you fly in airplanes? .10 *Traffic flow and the exponential distribution .11 *Are all probability distributions Gaussian?. 128 Suggestions for Further Reading .com CONTENTS iii 4 Statistical Mechanics 138 4.2 A simple example of a thermal interaction .2 *One-dimensional Ising model .3 A particle in a one-dimensional box .4 One-dimensional harmonic oscillator .5 One particle in a two-dimensional box .6 One particle in a three-dimensional box .7 Two noninteracting identical particles and the semiclassical limit .4 The number of states of N noninteracting particles: Semiclassical limit .5 The microcanonical ensemble (fixed E, V, and N) .6 Systems in contact with a heat bath: The canonical ensemble (fixed T, V, and N) 165 4.7 Connection between statistical mechanics and thermodynamics .8 Simple applications of the canonical ensemble .10 Simulations of the microcanonical ensemble .11 Simulations of the canonical ensemble .12 Grand canonical ensemble (fixed T, V, and µ) .13 Entropy and disorder. 181 Appendix 4A: The Volume of a Hypersphere. 183 Appendix 4B: Fluctuations in the Canonical Ensemble.

185 Suggestions for Further Reading .2 Thermodynamics of magnetism .3 The Ising model .4 The Ising Chain .2 ∗ Spin-spin correlation function .3 Simulations of the Ising chain .5 Absence of a phase transition in one dimension .5 The Two-Dimensional Ising Model .com CONTENTS iv 5.2 Computer simulation of the two-dimensional Ising model .6 Mean-Field Theory .7 *Infinite-range interactions. 224 Suggestions for Further Reading. 228 6 Noninteracting Particle Systems 230 6.2 The Classical Ideal Gas .3 Classical Systems and the Equipartition Theorem .4 Maxwell Velocity Distribution .5 Occupation Numbers and Bose and Fermi Statistics .6 Distribution Functions of Ideal Bose and Fermi Gases .7 Single Particle Density of States .8 The Equation of State for a Noninteracting Classical Gas .9 Black Body Radiation .10 Noninteracting Fermi Gas .1 Ground-state properties .2 Low temperature thermodynamic properties .12 The Heat Capacity of a Crystalline Solid .1 The Einstein model. 273 Appendix 6A: Low Temperature Expansion.

275 Suggestions for Further Reading. 286 7 Thermodynamic Relations and Processes 288 7.3 Applications of the Maxwell Relations .1 Internal energy of an ideal gas .2 Relation between the specific heats .4 Applications to Irreversible Processes .1 The Joule or free expansion process .2 Joule-Thomson process .5 Equilibrium Between Phases .2 Clausius-Clapeyron equation .3 Simple phase diagrams .4 Pressure dependence of the melting point .5 Pressure dependence of the boiling point .6 The vapor pressure curve. 303 Suggestions for Further Reading. 305 8 Classical Gases and Liquids 306 8.2 The Free Energy of an Interacting System .3 Second Virial Coefficient .5 High Temperature Expansion .7 Radial Distribution Function .1 Relation of thermodynamic functions to g(r) .3 Variable number of particles .4 Density expansion of g(r) .8 Computer Simulation of Liquids .9 Perturbation Theory of Liquids .1 The van der Waals Equation .2 Chandler-Weeks-Andersen theory .10 *The Ornstein-Zernicke Equation .11 *Integral Equations for g(r) .1 Debye-Hückel Theory .2 Linearized Debye-Hückel approximation .3 Diagrammatic Expansion for Charged Particles.

343 Appendix 8A: The third virial coefficient for hard spheres .com CONTENTS vi 9 Critical Phenomena 350 9.1 A Geometrical Phase Transition .2 Renormalization Group for Percolation .3 The Liquid-Gas Transition .5 Landau Theory of Phase Transitions .6 Other Models of Magnetism .7 Universality and Scaling Relations .8 The Renormalization Group and the 1D Ising Model .9 The Renormalization Group and the Two-Dimensional Ising Model. 382 Suggestions for Further Reading. 385 10 Introduction to Many-Body Perturbation Theory 387 10.2 Occupation Number Representation .3 Operators in the Second Quantization Formalism .4 Weakly Interacting Bose Gas .2 SI derived units .6 Euler-Maclaurin formula .com Chapter 1 From Microscopic to Macroscopic Behavior c 2006 by Harvey Gould and Jan Tobochnik 28 August 2006 The goal of this introductory chapter is to explore the fundamental differences between micro- scopic and macroscopic systems and the connections between classical mechanics and statistical mechanics. We note that bouncing balls come to rest and hot objects cool, and discuss how the behavior of macroscopic objects is related to the behavior of their microscopic constituents.

Com- puter simulations will be introduced to demonstrate the relation of microscopic and macroscopic behavior.1 Introduction Our goal is to understand the properties of macroscopic systems, that is, systems of many elec- trons, atoms, molecules, photons, or other constituents. Examples of familiar macroscopic objects include systems such as the air in your room, a glass of water, a copper coin, and a rubber band (examples of a gas, liquid, solid, and polymer, respectively). Less familiar macroscopic systems are superconductors, cell membranes, the brain, and the galaxies. We will find that the type of questions we ask about macroscopic systems differ in important ways from the questions we ask about microscopic systems.

An example of a question about a microscopic system is “What is the shape of the trajectory of the Earth in the solar system?” In contrast, have you ever wondered about the trajectory of a particular molecule in the air of your room? Why not? Is it relevant that these molecules are not visible to the eye? Examples of questions that we might ask about macroscopic systems include the following: 1. How does the pressure of a gas depend on the temperature and the volume of its container? 2. How does a refrigerator work? What is its maximum efficiency? 1 www. FROM MICROSCOPIC TO MACROSCOPIC BEHAVIOR 2 3.

How much energy do we need to add to a kettle of water to change it to steam? 4. Why are the properties of water different from those of steam, even though water and steam consist of the same type of molecules? 5. How are the molecules arranged in a liquid? 6. How and why does water freeze into a particular crystalline structure? 7.

Why does iron lose its magnetism above a certain temperature? 8. Why does helium condense into a superfluid phase at very low temperatures? Why do some materials exhibit zero resistance to electrical current at sufficiently low temperatures? 9. How fast does a river current have to be before its flow changes from laminar to turbulent? 10. What will the weather be tomorrow? The above questions can be roughly classified into three groups.

Questions 1–3 are concerned with macroscopic properties such as pressure, volume, and temperature and questions related to heating and work. These questions are relevant to thermodynamics which provides a framework for relating the macroscopic properties of a system to one another. Thermodynamics is concerned only with macroscopic quantities and ignores the microscopic variables that characterize individual molecules. For example, we will find that understanding the maximum efficiency of a refrigerator does not require a knowledge of the particular liquid used as the coolant.

Many of the applications of thermodynamics are to thermal engines, for example, the internal combustion engine and the steam turbine. Questions 4–8 relate to understanding the behavior of macroscopic systems starting from the atomic nature of matter. For example, we know that water consists of molecules of hydrogen and oxygen. We also know that the laws of classical and quantum mechanics determine the behavior of molecules at the microscopic level.

The goal of statistical mechanics is to begin with the microscopic laws of physics that govern the behavior of the constituents of the system and deduce the properties of the system as a whole. Statistical mechanics is the bridge between the microscopic and macroscopic worlds. Thermodynamics and statistical mechanics assume that the macroscopic properties of the system do not change with time on the average. Thermodynamics describes the change of a macroscopic system from one equilibrium state to another.

Questions 9 and 10 concern macro- scopic phenomena that change with time. Related areas are nonequilibrium thermodynamics and fluid mechanics from the macroscopic point of view and nonequilibrium statistical mechanics from the microscopic point of view. Although there has been progress in our understanding of nonequi- librium phenomena such as turbulent flow and hurricanes, our understanding of nonequilibrium phenomena is much less advanced than our understanding of equilibrium systems. Because un- derstanding the properties of macroscopic systems that are independent of time is easier, we will focus our attention on equilibrium systems and consider questions such as those in Questions 1–8.

FROM MICROSCOPIC TO MACROSCOPIC BEHAVIOR 3 1.2 Some qualitative observations We begin our discussion of macroscopic systems by considering a glass of water. We know that if we place a glass of hot water into a cool room, the hot water cools until its temperature equals that of the room. This simple observation illustrates two important properties associated with macroscopic systems – the importance of temperature and the arrow of time. Temperature is familiar because it is associated with the physiological sensation of hot and cold and is important in our everyday experience.

We will find that temperature is a subtle concept. The direction or arrow of time is an even more subtle concept. Have you ever observed a glass of water at room temperature spontaneously become hotter? Why not? What other phenomena exhibit a direction of time? Time has a direction as is expressed by the nursery rhyme: Humpty Dumpty sat on a wall Humpty Dumpty had a great fall All the king’s horses and all the king’s men Couldn’t put Humpty Dumpty back together again. Is there a a direction of time for a single particle? Newton’s second law for a single particle, F = dp/dt, implies that the motion of particles is time reversal invariant, that is, Newton’s second law looks the same if the time t is replaced by −t and the momentum p by −p.

There is no direction of time at the microscopic level. Yet if we drop a basketball onto a floor, we know that it will bounce and eventually come to rest. Nobody has observed a ball at rest spontaneously begin to bounce, and then bounce higher and higher. So based on simple everyday observations, we can conclude that the behavior of macroscopic bodies and single particles is very different.

Unlike generations of about a century or so ago, we know that macroscopic systems such as a glass of water and a basketball consist of many molecules. Although the intermolecular forces in water produce a complicated trajectory for each molecule, the observable properties of water are easy to describe. Moreover, if we prepare two glasses of water under similar conditions, we would find that the observable properties of the water in each glass are indistinguishable, even though the motion of the individual particles in the two glasses would be very different.

Nội dung được bảo vệ bản quyền — Tải xuống đầy đủ