Loading [MathJax]/extensions/TeX/mathchoice.js
Skip to main content
LibreTexts - Ukrayinska

12.3: Модель Еренфест

12.3.1 Опис моделі

Гра з перегортанням монет - це «дводержавна» ланцюжок Маркова. Для застосувань фізики нас часто цікавлять ланцюги Маркова, де кількість можливих станів величезна (наприклад, термодинамічні мікростани). Модель Ehrenfest - приємний і простий приклад, який ілюструє багато властивостей таких ланцюгів Маркова. Ця модель була введена командою чоловіка-фізика Павла і Тетяни Еренфест в 1907 році, з метою вивчення фізики дифузії.

Припустимо, у нас є дві коробки, позначені A і B, і загальна кількістьN помітних частинок для розподілу між двома коробками. У даний момент часу нехай будутьn частинки в коробці А, а отже,Nn частинки в коробці B. Тепер ми неодноразово застосовуємо наступну процедуру:

  1. Випадковим чином вибираємо одну зN частинок (з однаковою ймовірністю).
  2. З імовірністюq перемістіть обрану частинку з якого б ящика вона не опинилася, в іншу коробку. В іншому випадку (з ймовірністю1q) залиште частинку в її поточній коробці.
clipboard_efea7376724da73ba945926214cf585e2.png
Малюнок12.3.1: Схема моделі Ehrenfest.

Якщо єn частинки в коробці А, то ми маємоn/N ймовірність вибору частинки в полі А, а потім ймовірність перемістити цю частинку в поле B. Дотримуючись аналогічної логіки для всіх інших можливостей, ми досягаємо трьох можливих результатів:q

  • Переміщення частинки від А до Б: ймовірністьnq/N
  • Переміщення частинки від B до A: ймовірність(Nn)q/N
  • Залиште систему без змін: ймовірність1q

Ви можете перевірити, що (i) ймовірності підсумовуються до1, і (ii) це резюме відповідає дійсності для кінцевих випадківn=N іn=0.

12.3.2 Маркова ланцюг Опис

Ми можемо позначити стани системи, використовуючи ціле числоn{0,1,,N}, відповідне кількості частинок у полі А.N+1 Можливі стани, а діаграма стану виглядає наступним чином:

clipboard_ec5c43e9ff3963a71e4c385bc7b5826b2.png
Малюнок12.3.2: Діаграма стану моделі Ehrenfest.

Припустимо, ми починаємо в станіn0=N, помістивши всі частинки в поле А. Як ми неодноразово застосовуємо процедуру Еренфеста, система проходить послідовність станів{n0=N,n1,n2,n3,}, яку можна охарактеризувати як ланцюг Маркова. Побудувавши станnk проти числа крокуk, ми бачимо випадкову траєкторію, подібну до наведеної нижче:

clipboard_ead906d95b622aaf8e09b96f4f1100cc3.png
Малюнок12.3.3: Зразок траєкторії моделі Еренфеста зN=50 іq=0.5.

Зверніть увагу, що система швидко відходить від свого початкового стануn=50, і осідає в поведінку, де вона коливається навколо середнього стануn=25. Шукатимемо стаціонарний розподіл, при якому ймовірність знаходження в кожному стані незмінна на наступних кроках. Дозвольтеπn позначити стаціонарну ймовірність перебування в станіn. Згідно з правилом Байєса, цей розподіл ймовірностей повинен задовольнити

πn=P(n|n1)πn1+P(n|n)πn+P(n|n+1)πn+1=Nn+1Nqπn1+(1q)πn+n+1Nqπn+1.

Ми можемо розібратися,πn використовуючи два різних методи. Перший метод полягає у використанні наших знань статистичної механіки. У стаціонарному розподілі кожна окрема частинка повинна мати однакові шанси опинитися в коробці А або коробці Б. Існують2N можливі коробкові призначення, кожне з яких енергетично еквівалентно і, отже, мають рівні ймовірності. Звідси ймовірність знаходженняn частинок в коробці А - це кількість способів збиранняn частинокN \choose n, яке ділиться на кількість можливих боксових завдань. Це дає

\pi_n = {N\choose n} \, 2^{-N}.

Підставивши в правило Байєса формулу, ми можемо переконатися, що цей розподіл дійсно є стаціонарним. Зверніть увагу, що\pi_{n} виявляється незалежним відq (ймовірність перенесення обраної частинки в іншу коробку). Інтуїтивноq керує тим, як «швидко» ми переносимо частинки з однієї коробки в іншу. Тому він повинен впливати на те, наскільки швидко система досягає свого стаціонарного або «рівноважного» поведінки, але не самого стаціонарного розподілу.

12.3.3 Детальний баланс

Є ще один спосіб з'ясувати\pi_{n}, який не покладатися на вгадування відповіді одним пострілом. Припустимо, ми вибираємо пару сусідніх станівn+1,n і, і припустимо, що швидкість, з якою відбуваєтьсяn \rightarrow n+1 перехід, така ж, як і швидкістьn \rightarrow n+1, з якою відбувається протилежний перехід. Така умова гарантовано не тримається, але якщо воно тримається для кожної пари станів, то розподіл ймовірностей обов'язково стаціонарний. Така ситуація називається детальним балансом. З точки зору ймовірностей стану та ймовірностей переходу, детальний баланс вимагає

P(n+1|n) \, \pi_n = P(n|n+1) \, \pi_{n+1} \qquad \forall n \in \{0,\dots,N\},

для цього Маркова ланцюг. Підключивши ймовірності переходу, отримаємо рекурсійне відношення

\pi_{n+1} = \frac{N-n}{n+1}\, \pi_{n}.

Те, що зручно в цьому рекурсійному відношенні, полягає в тому, що воно включає лише\pi_{n} і\pi_{n+1}, на відміну від відношення правил Байєса, яке також включало\pi_{n-1}. За допомогою індукції ми можемо тепер легко показати, що

\pi_n = {N\choose n} \pi_0.

Зберігаючи ймовірність\sum_n \pi_n = 1, ми можемо це показати\pi_0 = 2^{-N}. Це призводить до

\pi_n = {N\choose n} 2^{-N},

що є результатом, про який ми раніше здогадалися, використовуючи чисто статистичні аргументи.

Для більш складних ланцюгів Маркова, можливо, неможливо вгадати стаціонарний розподіл; в таких випадках детальний аргумент балансу часто є найкращим підходом. Однак зауважте, що детальна умова балансу не гарантовано відбудеться. Є деякі ланцюги Маркова, які не підкоряються детальному балансу, тому нам завжди потрібно перевіряти, чи результат деталізованої умови балансу є самоузгодженим (тобто, що він дійсно може підкорятися кожній парі станів).