LSRain的小屋

高考二三事

Sat, 06 Jun 2026 00:00:00 GMT

每到高考这两天，总有人心生感叹，为什么毕业很久，我们还会为高考感动。

或许对于很多人而言，高考早已超越了一场考试本身，它更像一场青春，藏着岁月的答案。有人铭记倒计时涂满黑板，晚自习的霞光染红窗畔，还有最后一刻的不舍和遗憾。有人怀念深夜台灯下不停地演算，还有反复背诵在屋里打转。这些具象的符号，在被高度浓缩的时光里，最滚烫的集体心跳，永远不会黯淡。

高考，那是我人生中最重要的一张试卷，老师却没讲。后来，我的青春变成了别人的练习题，甚至有了标准答案。直到现在，我才发现高考卷没有正确答案，因为你写的每一笔都是你的答案。

有人说高考后的黄昏像是侠客收剑入鞘的仪式感，因为它饱含着青春最纯粹的热血与孤勇无畏的璀璨，象征着我们从依赖走向独立的彼岸。这些细节，在现实中逐渐稀缺，却在回忆中越发绚烂。没有谁的试卷只凭一道题评判，也没有谁的人生只凭一件事就到终点站。

显然，三分钟的回忆装不下高中三年的热烈，却能让毕业近一年的我，在热血熄灭后的寂静里，被一种名为”时间”的东西击中心脏。

记忆开始倒带。我们初遇在一个明媚的下午，空气里都是崭新的味道。而故事的最后，却在一个同样平静的下午，随着一句寻常的”走了啊”，便悄无声息地画上了句号。

人无法同时拥有青春和对青春的感受，我们直到现在都无法准确判断某些瞬间的价值，直到它消散在风中，成为裹挟着泥土青草的回忆，成为永远。

往事总在回忆中被赋予意义，高考是一代人的悲欢。

放牛记，放的不是牛，而是青春的心境；

对于我们来说，那颗名为”未来”的树种，也早已生根发芽。

被酒莫惊春睡重，赌书消得泼茶香，当时只道是寻常。

祝所有高考生前程似锦，也祝毕业的你我星程璀璨。

写作是最好的学习方式

Fri, 05 Jun 2026 00:00:00 GMT

费曼学习法

理查德·费曼说过：“如果你不能用简单的语言解释一个概念，说明你还没有真正理解它。”

这就是费曼学习法的核心：

选择一个概念
用简单的语言解释它（就像教给一个外行）
发现解释不清楚的地方——那就是你还没理解的地方
回去学习，再次尝试解释

写作本质上就是这个过程的文字版本。

写作的几个好处

整理思路

学习时，知识在脑海中是零散的。写作迫使你把这些零散的点连成线，再织成网。

比如学习电磁学时，库仑定律、电场、电势、高斯定理——这些都是独立的知识点。但当你试图写一篇完整的笔记时，你会发现它们之间的逻辑关系：

库仑定律 → 电场定义 → 高斯定理 → 电势 → 能量

这种结构化的理解，比零散记忆牢固得多。

暴露盲区

不写的时候，你觉得自己懂了。一写，才发现有好多地方说不清楚。

这其实是好事。发现盲区是进步的第一步。

长期记忆

写下来的东西不会忘。即使忘了，回头看一遍就能恢复。

而不写下来的东西，过几个月可能就真的忘了。

帮助他人

你的笔记可能对别人也有用。一个和你水平相近的人，看你写的笔记，可能比看教科书更容易理解。

为什么选择博客

有人用纸质笔记本，有人用 Notion，有人用 Obsidian。我选择博客，原因是：

公开性：公开写作会促使你更认真
Markdown：支持公式和代码，适合理工科
版本控制：Git 记录每一次修改
分享便利：发个链接就行

关于「完美主义」

很多人不开始写，是因为觉得写不好。

但第一版永远不需要完美。先写出来，再慢慢改。这篇文章也是这样——先有框架，再填充细节。

# 学习的过程
knowledge = []
while learning:
    new_thing = learn()
    knowledge.append(new_thing)
    write_down(knowledge)  # 写作巩固理解
    review_and_update()    # 回顾更新

结语

如果你也在学习，不妨试试写点什么。不需要发表，写给自己看也行。

重要的是：把脑子里模糊的东西，变成纸上清晰的文字。

玻尔兹曼分布与麦克斯韦分布

Fri, 05 Jun 2026 00:00:00 GMT

引言：从微观到宏观

热学研究的核心问题是：大量微观粒子的集体行为如何决定宏观物质的性质？

一个宏观系统包含约 $10^{23}$ 量级的粒子，我们不可能追踪每一个粒子的运动。统计力学的方法是：不去关心某个特定粒子在某一时刻的具体状态，而是研究大量粒子在各种状态上的统计分布。

本文将详细推导两个最基本的分布：

麦克斯韦速率分布：描述热平衡下气体分子的速率分布
玻尔兹曼分布：描述热平衡下粒子在各能量状态上的分布

第一部分：预备知识

1.1 理想气体模型

理想气体是理解分布律的出发点。基本假设：

气体由大量全同粒子（分子）组成
分子本身的体积可以忽略（质点近似）
分子之间除碰撞外无相互作用
碰撞是完全弹性的
分子的运动服从经典力学

1.2 概率论基础

设 $f(v)$ 是速率分布函数，其物理意义是：在速率 $v$ 附近单位速率区间内找到分子的概率。归一化条件为：

$\int_0^{\infty} f(v) \, dv = 1$

任意物理量 $g(v)$ 的平均值为：

$\langle g(v) \rangle = \int_0^{\infty} g(v) f(v) \, dv$

1.3 玻尔兹曼关系与熵

玻尔兹曼给出的熵的统计定义是：

$S = k_B \ln \Omega$

其中 $k_B = 1.381 \times 10^{-23} \, \text{J/K}$ 是玻尔兹曼常数， $\Omega$ 是系统的微观状态数。这个公式是连接宏观热力学与微观统计力学的桥梁。

第二部分：麦克斯韦速率分布

2.1 历史背景

1859 年，麦克斯韦在没有详细推导的情况下，仅从对称性论证出发，给出了理想气体分子的速率分布律。这是物理学史上第一个统计分布律，开创了统计力学的先河。

2.2 麦克斯韦速率分布函数

在热平衡温度 $T$ 下，理想气体分子的速率分布函数为：

$f(v) = 4\pi \left( \frac{m}{2\pi k_B T} \right)^{3/2} v^2 \exp\left( -\frac{mv^2}{2k_B T} \right)$

其中：

$m$ 是单个分子的质量
$k_B$ 是玻尔兹曼常数
$T$ 是热力学温度
$v$ 是分子速率

令 $\alpha = \sqrt{\frac{m}{2k_B T}}$ ，分布函数可以简写为：

$f(v) = \frac{4}{\sqrt{\pi}} \alpha^3 v^2 e^{-\alpha^2 v^2}$

2.3 分布函数的推导

基本假设

麦克斯韦从以下三个假设出发：

假设 1：在平衡态下，速度的三个分量 $v_x, v_y, v_z$ 的分布相互独立，即：

$f(\mathbf{v}) = f(v_x) \cdot f(v_y) \cdot f(v_z)$

假设 2：分布函数只依赖于速率的大小，与方向无关（各向同性）：

$f(\mathbf{v}) = g(v_x^2 + v_y^2 + v_z^2)$

假设 3： $f(v_i)$ 具有指数形式。

推导过程

由假设 1 和假设 2：

$f(v_x) \cdot f(v_y) \cdot f(v_z) = g(v_x^2 + v_y^2 + v_z^2)$

对两边取对数：

$\ln f(v_x) + \ln f(v_y) + \ln f(v_z) = \ln g(v_x^2 + v_y^2 + v_z^2)$

这个函数方程的解必然是：

$\ln f(v_i) = A - B v_i^2$

即：

$f(v_i) = C e^{-B v_i^2}$

其中 $A, B, C$ 是常数， $B > 0$ （保证分布可归一化）。

由归一化确定常数

对单个分量归一化：

$\int_{-\infty}^{\infty} f(v_x) \, dv_x = 1$

$C \int_{-\infty}^{\infty} e^{-Bv_x^2} \, dv_x = C \sqrt{\frac{\pi}{B}} = 1$

所以 $C = \sqrt{B/\pi}$ 。

由能量均分定理确定 $B$

根据能量均分定理，每个自由度的平均动能为：

$\frac{1}{2} m \langle v_x^2 \rangle = \frac{1}{2} k_B T$

计算 $\langle v_x^2 \rangle$ ：

$\langle v_x^2 \rangle = \int_{-\infty}^{\infty} v_x^2 \cdot \sqrt{\frac{B}{\pi}} e^{-Bv_x^2} \, dv_x = \frac{1}{2B}$

因此：

$\frac{1}{2} m \cdot \frac{1}{2B} = \frac{1}{2} k_B T \implies B = \frac{m}{2k_B T}$

合成三维分布

三维速度分布函数为：

$f(\mathbf{v}) = \left( \frac{m}{2\pi k_B T} \right)^{3/2} \exp\left( -\frac{m(v_x^2 + v_y^2 + v_z^2)}{2k_B T} \right)$

转换为球坐标系中的速率分布。在速度空间中，速率在 $v$ 到 $v + dv$ 之间的分子对应于一个球壳，其体积为 $4\pi v^2 \, dv$ ：

$f(v) \, dv = 4\pi v^2 \cdot \left( \frac{m}{2\pi k_B T} \right)^{3/2} \exp\left( -\frac{mv^2}{2k_B T} \right) dv$

这就是麦克斯韦速率分布函数。

2.4 三种特征速率

最概然速率 $v_p$

最概然速率是使分布函数 $f(v)$ 取最大值的速率，即分布的峰值位置。

令 $\frac{df}{dv} = 0$ ：

$\frac{d}{dv} \left[ v^2 \exp\left(-\frac{mv^2}{2k_BT}\right) \right] = 0$

$\left[ 2v - \frac{m}{k_BT} v^3 \right] \exp\left(-\frac{mv^2}{2k_BT}\right) = 0$

解得：

$\boxed{v_p = \sqrt{\frac{2k_BT}{m}} = \sqrt{\frac{2RT}{M}}}$

其中 $R$ 是气体常数， $M$ 是摩尔质量。

平均速率 $\bar{v}$

$\bar{v} = \int_0^{\infty} v \cdot f(v) \, dv$

利用积分公式 $\int_0^{\infty} x^3 e^{-ax^2} dx = \frac{1}{2a^2}$ ，令 $a = \frac{m}{2k_BT}$ ：

$\bar{v} = 4\pi \left( \frac{m}{2\pi k_BT} \right)^{3/2} \cdot \frac{1}{2} \left( \frac{2k_BT}{m} \right)^2 = \sqrt{\frac{8k_BT}{\pi m}}$

$\boxed{\bar{v} = \sqrt{\frac{8k_BT}{\pi m}} = \sqrt{\frac{8RT}{\pi M}}}$

方均根速率 $v_{\text{rms}}$

$v_{\text{rms}} = \sqrt{\langle v^2 \rangle} = \sqrt{\int_0^{\infty} v^2 \cdot f(v) \, dv}$

利用 $\int_0^{\infty} x^4 e^{-ax^2} dx = \frac{3}{8} \sqrt{\frac{\pi}{a^5}}$ ：

$\langle v^2 \rangle = \frac{3k_BT}{m}$

$\boxed{v_{\text{rms}} = \sqrt{\frac{3k_BT}{m}} = \sqrt{\frac{3RT}{M}}}$

三种速率的大小关系

$v_p < \bar{v} < v_{\text{rms}}$

$\sqrt{\frac{2k_BT}{m}} < \sqrt{\frac{8k_BT}{\pi m}} < \sqrt{\frac{3k_BT}{m}}$

数值上约为：

$1 : 1.128 : 1.224$

2.5 分布曲线的特征

麦克斯韦速率分布曲线 $f(v)$ 有以下特征：

（1）当 $v \to 0$ 时： $f(v) \to 0$ ，因为 $v^2$ 因子使分布趋于零。

（2）当 $v \to \infty$ 时： $f(v) \to 0$ ，指数衰减因子占主导。

（3）存在一个极大值：位于 $v = v_p$ 处。

（4）温度的影响：

温度升高时， $v_p$ 增大，峰值右移
峰值高度降低（因为归一化要求曲线下的面积恒为 1）
分布曲线变得更”平坦”，高速分子的比例增大

（5）分子质量的影响：

质量越大的分子， $v_p$ 越小，分布越集中在低速区
质量越小的分子，分布越向高速区扩展

2.6 麦克斯韦速度分布

完整的麦克斯韦速度分布（注意是速度矢量，不是速率）为：

$f(\mathbf{v}) = \left( \frac{m}{2\pi k_B T} \right)^{3/2} \exp\left( -\frac{m |\mathbf{v}|^2}{2k_B T} \right)$

这是一个三维高斯分布，各分量独立且满足：

$\langle v_x \rangle = \langle v_y \rangle = \langle v_z \rangle = 0$

$\langle v_x^2 \rangle = \langle v_y^2 \rangle = \langle v_z^2 \rangle = \frac{k_B T}{m}$

第三部分：玻尔兹曼分布

3.1 从微观状态数到分布

考虑一个孤立系统，总能量 $E$ 守恒。假设系统由大量粒子组成，每个粒子可以处于不同的能量状态 $\varepsilon_i$ 。

设 $n_i$ 为处于能量状态 $\varepsilon_i$ 上的粒子数。在满足总粒子数 $N = \sum_i n_i$ 和总能量 $E = \sum_i n_i \varepsilon_i$ 的约束下，最概然分布（即出现概率最大的分布）就是玻尔兹曼分布。

3.2 拉格朗日乘子法推导

微观状态数为：

$\Omega = \frac{N!}{\prod_i n_i!}$

取对数并利用斯特林近似 $\ln N! \approx N \ln N - N$ ：

$\ln \Omega \approx N \ln N - N - \sum_i (n_i \ln n_i - n_i) = N \ln N - \sum_i n_i \ln n_i$

在约束条件 $\sum_i n_i = N$ 和 $\sum_i n_i \varepsilon_i = E$ 下，使用拉格朗日乘子法求极值：

$\frac{\partial}{\partial n_i} \left[ \ln \Omega - \alpha \left(\sum_j n_j - N\right) - \beta \left(\sum_j n_j \varepsilon_j - E\right) \right] = 0$

其中 $\alpha$ 和 $\beta$ 是拉格朗日乘子。

计算偏导：

$\frac{\partial \ln \Omega}{\partial n_i} = -\ln n_i - 1$

因此：

$-\ln n_i - 1 - \alpha - \beta \varepsilon_i = 0$

解得：

$n_i = e^{-(1+\alpha)} \cdot e^{-\beta \varepsilon_i}$

令 $A = e^{-(1+\alpha)}$ ，则：

$\boxed{n_i = A e^{-\beta \varepsilon_i}}$

3.3 确定参数 $\beta$

通过热力学关系可以证明：

$\beta = \frac{1}{k_B T}$

证明如下：考虑系统吸收微小热量 $\delta Q$ 时，熵的变化为：

$dS = \frac{\delta Q}{T} = k_B \, d(\ln \Omega)$

利用 $d(\ln \Omega) = -\sum_i \ln n_i \, dn_i$ 和 $dE = \sum_i \varepsilon_i \, dn_i$ ，可以导出 $\beta = \frac{1}{k_BT}$ 。

3.4 玻尔兹曼分布的最终形式

$\boxed{n_i = \frac{N}{Z} e^{-\varepsilon_i / k_B T}}$

其中 $Z$ 是配分函数（partition function）：

$Z = \sum_i e^{-\varepsilon_i / k_B T}$

配分函数确保归一化条件 $\sum_i n_i = N$ 成立。

3.5 连续形式的玻尔兹曼分布

对于连续的能量谱，粒子处于能量 $\varepsilon$ 附近 $d\varepsilon$ 区间内的概率为：

$P(\varepsilon) \, d\varepsilon \propto g(\varepsilon) \, e^{-\varepsilon / k_B T} \, d\varepsilon$

其中 $g(\varepsilon)$ 是态密度（density of states），即单位能量区间内的量子态数目。

归一化后：

$P(\varepsilon) = \frac{g(\varepsilon) \, e^{-\varepsilon / k_B T}}{Z}$

其中配分函数变为积分形式：

$Z = \int_0^{\infty} g(\varepsilon) \, e^{-\varepsilon / k_B T} \, d\varepsilon$

3.6 玻尔兹曼因子的物理意义

$e^{-\varepsilon / k_B T}$ 称为玻尔兹曼因子，它给出了粒子处于能量 $\varepsilon$ 的相对概率。

关键特征：

能量越高的状态，被占据的概率越小
温度越高，高能态被占据的概率越大
当 $T \to 0$ 时，所有粒子都处于基态
当 $T \to \infty$ 时，各态被占据的概率趋于均等

第四部分：从玻尔兹曼分布到麦克斯韦分布

4.1 推导思路

麦克斯韦速率分布实际上是玻尔兹曼分布的一个特例：将玻尔兹曼分布应用于理想气体分子的动能。

4.2 态密度的计算

对于自由运动的分子，动能为：

$\varepsilon = \frac{1}{2} m v^2 = \frac{p^2}{2m}$

在动量空间中，动量在 $\mathbf{p}$ 到 $\mathbf{p} + d\mathbf{p}$ 之间的量子态数为：

$d\Omega = \frac{V}{h^3} d^3 p = \frac{V}{h^3} 4\pi p^2 \, dp$

转换为能量变量（利用 $p = \sqrt{2m\varepsilon}$ ， $dp = \frac{m}{\sqrt{2m\varepsilon}} d\varepsilon$ ）：

$g(\varepsilon) \, d\varepsilon = \frac{V}{h^3} \cdot 4\pi (2m\varepsilon) \cdot \frac{m}{\sqrt{2m\varepsilon}} \, d\varepsilon = \frac{2\pi V (2m)^{3/2}}{h^3} \varepsilon^{1/2} \, d\varepsilon$

所以态密度为：

$g(\varepsilon) = C' \varepsilon^{1/2}$

其中 $C' = \frac{2\pi V (2m)^{3/2}}{h^3}$ 。

4.3 能量分布

代入玻尔兹曼分布：

$P(\varepsilon) \, d\varepsilon \propto \varepsilon^{1/2} e^{-\varepsilon / k_B T} \, d\varepsilon$

归一化后：

$P(\varepsilon) = \frac{2\pi}{(\pi k_B T)^{3/2}} \varepsilon^{1/2} e^{-\varepsilon / k_B T}$

这就是理想气体的能量分布函数。

4.4 转换为速率分布

利用 $\varepsilon = \frac{1}{2}mv^2$ ， $d\varepsilon = mv \, dv$ ：

$f(v) \, dv = P(\varepsilon) \, d\varepsilon = \frac{2\pi}{(\pi k_B T)^{3/2}} \left(\frac{1}{2}mv^2\right)^{1/2} e^{-mv^2 / 2k_B T} \cdot mv \, dv$

$= 4\pi \left(\frac{m}{2\pi k_B T}\right)^{3/2} v^2 e^{-mv^2 / 2k_B T} \, dv$

这正是麦克斯韦速率分布。

4.5 玻尔兹曼分布与麦克斯韦分布的关系总结

性质	麦克斯韦分布	玻尔兹曼分布
描述对象	理想气体分子的速率	任意粒子的能量状态
适用范围	理想气体	任何处于热平衡的系统
内容	仅含动能	可含动能 + 势能
态密度	$g(\varepsilon) \propto \varepsilon^{1/2}$	取决于具体系统

第五部分：重力场中的玻尔兹曼分布

5.1 等温大气压公式

在重力场中，分子不仅有动能，还有重力势能：

$\varepsilon = \frac{1}{2}mv^2 + mg z$

其中 $z$ 是高度。对速度积分后，粒子数密度随高度的分布为：

$n(z) = n_0 \exp\left( -\frac{mgz}{k_B T} \right)$

这就是玻尔兹曼高度分布，也称为等温大气模型。

由理想气体状态方程 $p = nk_BT$ ，气压随高度的分布为：

$\boxed{p(z) = p_0 \exp\left( -\frac{mgz}{k_B T} \right) = p_0 \exp\left( -\frac{Mgz}{RT} \right)}$

这就是气压公式，其中 $M$ 是空气的摩尔质量。

5.2 标高

定义标高（scale height）：

$H = \frac{k_B T}{mg} = \frac{RT}{Mg}$

气压公式变为：

$p(z) = p_0 e^{-z/H}$

标高的物理意义：气压每经过一个标高 $H$ ，就降低为原来的 $1/e$ 。

在地球大气中（ $T \approx 288 \, \text{K}$ ， $M \approx 0.029 \, \text{kg/mol}$ ）：

$H \approx \frac{8.314 \times 288}{0.029 \times 9.8} \approx 8.4 \, \text{km}$

5.3 应用：粒子在势场中的一般分布

对于任意势场 $U(\mathbf{r})$ ，粒子的空间分布为：

$n(\mathbf{r}) = n_0 \exp\left( -\frac{U(\mathbf{r})}{k_B T} \right)$

这个结果在以下情况中有重要应用：

重力场中的大气： $U = mgz$
电场中的带电粒子： $U = qV$ （ $V$ 是电势）
谐振子势： $U = \frac{1}{2}kx^2$ （用于分子振动）
离心力场： $U = -\frac{1}{2}m\omega^2 r^2$ （用于离心分离）

第六部分：能量均分定理

6.1 定理内容

在温度 $T$ 的热平衡状态下，粒子能量中每一个独立的二次方项的平均值等于 $\frac{1}{2} k_B T$ 。

6.2 对理想气体的应用

单原子分子（如 He, Ne, Ar）：

只有平动动能： $\varepsilon = \frac{1}{2}mv_x^2 + \frac{1}{2}mv_y^2 + \frac{1}{2}mv_z^2$

三个二次方项，每个 $\frac{1}{2}k_BT$ ：

$\langle \varepsilon \rangle = \frac{3}{2} k_B T$

双原子分子（如 $O_2$ , $N_2$ ）：

平动 + 转动（两个转动自由度，绕键轴的转动惯量极小可忽略）：

$\langle \varepsilon \rangle = \frac{5}{2} k_B T$

多原子分子（如 $H_2O$ , $CO_2$ ）：

平动 + 三个转动自由度：

$\langle \varepsilon \rangle = 3 k_B T$

6.3 理想气体的内能

$N$ 个分子组成的理想气体的总内能：

$U = N \langle \varepsilon \rangle = \frac{f}{2} N k_B T = \frac{f}{2} n R T$

其中 $f$ 是自由度数， $n$ 是物质的量。

由此可得定容热容：

$C_V = \frac{f}{2} nR$

定压热容：

$C_P = C_V + nR = \frac{f+2}{2} nR$

比热比：

$\gamma = \frac{C_P}{C_V} = \frac{f+2}{f}$

分子类型	自由度 $f$	$C_V/nR$	$C_P/nR$	$\gamma$
单原子	3	3/2	5/2	5/3 ≈ 1.67
双原子	5	5/2	7/2	7/5 = 1.40
多原子	6	3	4	4/3 ≈ 1.33

第七部分：配分函数与热力学量

7.1 配分函数的核心地位

配分函数 $Z$ 包含了系统的全部热力学信息。所有热力学量都可以从 $Z$ 导出。

单粒子配分函数

$Z_1 = \sum_i e^{-\varepsilon_i / k_B T}$

$N$ 个全同粒子的配分函数

对于经典极限下可区分的粒子：

$Z_N = Z_1^N$

对于全同粒子（需考虑量子效应）：

$Z_N = \frac{Z_1^N}{N!}$

7.2 从配分函数推导热力学量

自由能：

$F = -k_B T \ln Z_N = -Nk_BT \ln Z_1 + k_BT \ln N!$

利用斯特林近似：

$F = -Nk_BT \left( \ln \frac{Z_1}{N} + 1 \right)$

内能：

$U = -\frac{\partial \ln Z_N}{\partial \beta} = k_B T^2 \frac{\partial \ln Z_N}{\partial T}$

熵：

$S = k_B \ln Z_N + \frac{U}{T} = -\left(\frac{\partial F}{\partial T}\right)_V$

压强：

$p = -\left(\frac{\partial F}{\partial V}\right)_T = k_B T \frac{\partial \ln Z_N}{\partial V}$

7.3 理想气体的配分函数

对于理想气体中一个分子的平动配分函数：

$Z_1 = \frac{V}{h^3} \int e^{-p^2/2mk_BT} \, d^3p = V \left( \frac{2\pi m k_B T}{h^2} \right)^{3/2}$

定义热德布罗意波长：

$\lambda_{\text{th}} = \frac{h}{\sqrt{2\pi m k_B T}}$

则：

$Z_1 = \frac{V}{\lambda_{\text{th}}^3}$

由此可以推导出理想气体的所有热力学性质，包括状态方程 $pV = Nk_BT$ 。

第八部分：量子统计简介

8.1 经典统计的适用条件

麦克斯韦-玻尔兹曼统计是经典统计，适用条件是非简并条件：

$n \lambda_{\text{th}}^3 \ll 1$

即粒子间距远大于热德布罗意波长，量子效应可以忽略。

当 $n \lambda_{\text{th}}^3 \gtrsim 1$ 时，必须使用量子统计。

8.2 两种量子统计

费米-狄拉克统计（自旋为半整数的粒子，如电子）：

$\bar{n}_i = \frac{1}{e^{(\varepsilon_i - \mu)/k_BT} + 1}$

玻色-爱因斯坦统计（自旋为整数的粒子，如光子、声子）：

$\bar{n}_i = \frac{1}{e^{(\varepsilon_i - \mu)/k_BT} - 1}$

其中 $\mu$ 是化学势。

8.3 经典极限

当 $(\varepsilon_i - \mu) \gg k_BT$ 时，两种量子统计都退化为玻尔兹曼统计：

$\bar{n}_i \approx e^{-(\varepsilon_i - \mu)/k_BT} \propto e^{-\varepsilon_i/k_BT}$

这说明麦克斯韦-玻尔兹曼统计是量子统计在高温/低密度极限下的近似。

第九部分：应用实例

9.1 化学反应速率

阿伦尼乌斯公式可以从玻尔兹曼分布导出。反应速率常数：

$k = A \exp\left( -\frac{E_a}{k_B T} \right)$

其中 $E_a$ 是活化能。 $e^{-E_a/k_BT}$ 正是分子能量超过活化能的概率（玻尔兹曼因子）。

9.2 热电子发射

金属中电子的能量服从费米-狄拉克分布。在高温下，电子从金属表面逸出的理查森-杜什曼公式：

$J = A T^2 \exp\left( -\frac{W}{k_B T} \right)$

其中 $W$ 是功函数。

9.3 回旋加速器中的粒子分布

在回旋加速器中，粒子的动能分布服从玻尔兹曼分布，这影响了加速效率和束流品质。

9.4 星体内部的粒子分布

恒星内部的粒子分布由玻尔兹曼分布（以及在简并条件下的量子统计）决定，这对恒星的结构和演化至关重要。

第十部分：总结与对比

核心公式速查

名称	公式	物理意义
麦克斯韦速率分布	$f(v) = 4\pi \left(\frac{m}{2\pi k_BT}\right)^{3/2} v^2 e^{-mv^2/2k_BT}$	理想气体分子速率分布
玻尔兹曼分布	$n_i = \frac{N}{Z} e^{-\varepsilon_i/k_BT}$	粒子在各能量状态的分布
配分函数	$Z = \sum_i e^{-\varepsilon_i/k_BT}$	统计力学的核心量
气压公式	$p(z) = p_0 e^{-Mgz/RT}$	大气压随高度的变化
能量均分定理	$\langle \varepsilon \rangle = \frac{f}{2} k_BT$	每个自由度的平均能量

物理图像

玻尔兹曼分布告诉我们一个深刻的物理事实：在热平衡下，粒子更倾向于占据低能态，但热运动会使一部分粒子跃迁到高能态。温度越高，高能态上的粒子越多。 这是自然界中最基本的竞争关系之一——能量最小化与熵最大化的平衡。

参考资料

汪志诚.《热力学·统计物理》（第六版）. 高等教育出版社.
林宗涵.《热力学与统计物理学》. 北京大学出版社.
Reif, F. Fundamentals of Statistical and Thermal Physics. McGraw-Hill.
Pathria, R.K. & Beale, P.D. Statistical Mechanics (3rd ed.). Academic Press.
Kittel, C. & Kroemer, H. Thermal Physics (2nd ed.). W.H. Freeman.

Python 类型提示完全指南

Thu, 04 Jun 2026 00:00:00 GMT

为什么需要类型提示？

Python 是动态类型语言，变量不需要声明类型。这很灵活，但在大型项目中会带来问题：

IDE 无法提供准确的代码补全
重构时容易引入隐蔽的 bug
代码的意图不够明确

类型提示（Type Hints）解决了这些问题，同时保持了 Python 的灵活性。

基础类型标注

# 变量标注
name: str = "LSRain"
age: int = 20
height: float = 1.75
is_student: bool = True

# 函数标注
def greet(name: str) -> str:
    return f"Hello, {name}!"

# 返回 None
def log(message: str) -> None:
    print(message)

容器类型

from typing import list, dict, tuple, set

# 列表
scores: list[float] = [95.5, 87.0, 92.3]

# 字典
student: dict[str, int] = {"math": 95, "physics": 88}

# 元组（固定长度）
point: tuple[float, float] = (3.14, 2.72)

# 集合
tags: set[str] = {"python", "typing", "tutorial"}

Optional 和 Union

from typing import Optional, Union

# Optional 表示可以为 None
def find_user(user_id: int) -> Optional[str]:
    if user_id > 0:
        return "LSRain"
    return None

# Union 表示多种类型之一
def process(value: Union[int, str]) -> str:
    return str(value)

# Python 3.10+ 可以用 | 语法
def process_new(value: int | str) -> str:
    return str(value)

类型别名

from typing import TypeAlias

# 简单别名
Vector: TypeAlias = list[float]
Matrix: TypeAlias = list[list[float]]

def dot_product(a: Vector, b: Vector) -> float:
    return sum(x * y for x, y in zip(a, b))

泛型

from typing import TypeVar, Generic

T = TypeVar('T')

class Stack(Generic[T]):
    def __init__(self) -> None:
        self._items: list[T] = []

    def push(self, item: T) -> None:
        self._items.append(item)

    def pop(self) -> T:
        return self._items.pop()

# 使用
int_stack: Stack[int] = Stack()
int_stack.push(42)

Callable 类型

from typing import Callable

# 函数类型
Transformer: TypeAlias = Callable[[str], str]

def apply_transform(text: str, transform: Transformer) -> str:
    return transform(text)

# 使用
result = apply_transform("hello", str.upper)

实用技巧

渐进式类型标注

不需要一次性给所有代码加类型提示。可以从关键函数开始，逐步扩展：

# 先标注公共 API
def calculate_energy(mass: float, velocity: float) -> float:
    """计算动能: E = 1/2 * m * v^2"""
    return 0.5 * mass * velocity ** 2

使用 mypy 检查

pip install mypy
mypy your_script.py

条件导入

from __future__ import annotations  # Python 3.7+

# 或者使用 TYPE_CHECKING
from typing import TYPE_CHECKING
if TYPE_CHECKING:
    import expensive_module

总结

场景	推荐方式
简单类型	直接标注 `x: int`
可选值	`Optional[T]` 或 `T \| None`
多种类型	`Union[T1, T2]` 或 `T1 \| T2`
容器	`list[int]`, `dict[str, Any]`
函数	`Callable[[ArgTypes], ReturnType]`
泛型	`Generic[T]`

类型提示不是强制的，但它让代码更清晰、更安全、更好维护。

电磁学导论：从库仑定律到麦克斯韦方程组

Thu, 04 Jun 2026 00:00:00 GMT

电磁学的研究对象

电磁学研究电荷和电磁场的相互作用。它是物理学的核心分支之一，与我们的日常生活息息相关：

原子内部的电磁力决定了物质的化学性质
光本质上是电磁波
现代技术几乎都建立在电磁学基础上

电荷与库仑定律

电荷的基本性质

电荷是物质的基本属性之一：

正电荷和负电荷
电荷守恒
电荷量子化： $e = 1.602 \times 10^{-19}$ C

库仑定律

两个点电荷之间的静电力：

$\vec{F} = \frac{1}{4\pi\varepsilon_0} \frac{q_1 q_2}{r^2} \hat{r}$

其中：

$q_1, q_2$ 是两个电荷量
$r$ 是电荷间距离
$\hat{r}$ 是从施力电荷指向受力电荷的单位矢量
$\varepsilon_0 = 8.854 \times 10^{-12}$ F/m 是真空介电常数

电场强度

电场是描述电荷周围空间性质的物理量：

$\vec{E}(\vec{r}) = \frac{\vec{F}}{q_0}$

点电荷的电场

$\vec{E} = \frac{1}{4\pi\varepsilon_0} \frac{q}{r^2} \hat{r}$

叠加原理

多个电荷产生的电场等于各电荷单独产生的电场的矢量和：

$\vec{E} = \sum_i \vec{E}_i = \frac{1}{4\pi\varepsilon_0} \sum_i \frac{q_i}{r_i^2} \hat{r}_i$

高斯定理

高斯定理是静电学的基本定理之一：

$\oint_S \vec{E} \cdot d\vec{A} = \frac{Q_{\text{enc}}}{\varepsilon_0}$

物理意义：通过任意闭合曲面的电通量等于该曲面内电荷总量除以 $\varepsilon_0$ 。

应用：求对称分布的电场

无限长均匀带电直线（线电荷密度 $\lambda$ ）：

$E = \frac{\lambda}{2\pi\varepsilon_0 r}$

无限大均匀带电平面（面电荷密度 $\sigma$ ）：

$E = \frac{\sigma}{2\varepsilon_0}$

电势

电势是标量，更便于计算：

$V(\vec{r}) = -\int_{\infty}^{\vec{r}} \vec{E} \cdot d\vec{l}$

电场与电势的关系：

$\vec{E} = -\nabla V$

点电荷的电势

$V = \frac{1}{4\pi\varepsilon_0} \frac{q}{r}$

从静电到电磁

到目前为止，我们只讨论了静止电荷产生的电场。但当电荷运动时，会产生磁场。这引出了电磁学更深层的理论——麦克斯韦方程组。

麦克斯韦方程组统一了电与磁，预言了电磁波的存在，是经典物理学的巅峰之一。

本章要点

概念	公式	物理意义
库仑定律	$F = \frac{1}{4\pi\varepsilon_0} \frac{q_1 q_2}{r^2}$	点电荷间的静电力
电场强度	$\vec{E} = \vec{F}/q_0$	单位电荷受力
高斯定理	$\oint \vec{E} \cdot d\vec{A} = Q/\varepsilon_0$	电通量与电荷关系
电势	$V = -\int \vec{E} \cdot d\vec{l}$	电场的标量势

下一章预告

下一章将讨论静电场中的导体和电介质，了解电场与物质的相互作用。

你好，世界

Wed, 03 Jun 2026 00:00:00 GMT

为什么要写博客？

写博客是一种很好的学习方式。通过写作，我可以：

整理思路：把零散的知识点串联起来
加深理解：教是最好的学
记录成长：回头看自己的进步
分享交流：和志同道合的人交流

这个博客的技术栈

这个博客使用 Astro 构建，主要特点：

静态生成：快速、安全、易部署
Markdown 写作：专注内容，不用操心格式
数学公式支持：使用 KaTeX 渲染数学公式
代码高亮：支持多种编程语言
深色模式：保护眼睛

未来计划

我计划在这个博客上记录：

物理学习笔记（力学、电磁学、量子力学）
数学推导过程
编程项目经验
一些生活随想

希望这个博客能成为我长期学习和记录的伙伴。

一段示例代码

def fibonacci(n: int) -> int:
    """计算斐波那契数列的第 n 项"""
    if n <= 1:
        return n
    a, b = 0, 1
    for _ in range(2, n + 1):
        a, b = b, a + b
    return b

# 测试
for i in range(10):
    print(f"F({i}) = {fibonacci(i)}")

一个简单的数学公式

欧拉公式是数学中最优美的公式之一：

$e^{i\pi} + 1 = 0$

它将五个最重要的数学常数（ $e$ 、 $i$ 、 $\pi$ 、 $1$ 、 $0$ ）联系在一起。

Markdown 写作指南

Wed, 03 Jun 2026 00:00:00 GMT

基本语法

标题

使用 # 号标记标题，一个 # 是一级标题，两个 ## 是二级标题，以此类推。

段落

段落之间使用空行分隔。

强调

粗体：使用 **粗体**
斜体：使用 *斜体*
~~删除线~~：使用 ~~删除线~~

列表

无序列表：

项目 1
项目 2
项目 3

有序列表：

第一步
第二步
第三步

链接和图片

链接：Astro 官网

图片：![图片描述](/images/example.jpg)

数学公式

行内公式

使用单个 $ 包裹行内公式，例如：质能方程 $E = mc^2$ 。

块级公式

使用双个 $$ 包裹块级公式：

\int_{-\infty}^{\infty} e^{-x^2} dx = \sqrt{\pi}

复杂公式示例

麦克斯韦方程组：

\begin{aligned} \nabla \cdot \mathbf{E} &= \frac{\rho}{\epsilon_0} \\ \nabla \cdot \mathbf{B} &= 0 \\ \nabla \times \mathbf{E} &= -\frac{\partial \mathbf{B}}{\partial t} \\ \nabla \times \mathbf{B} &= \mu_0 \mathbf{J} + \mu_0 \epsilon_0 \frac{\partial \mathbf{E}}{\partial t} \end{aligned}

薛定谔方程：

i\hbar \frac{\partial}{\partial t} \Psi(\mathbf{r}, t) = \hat{H} \Psi(\mathbf{r}, t)

代码块

Python

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(0, 2 * np.pi, 100)
y = np.sin(x)

plt.plot(x, y)
plt.title('Sine Wave')
plt.xlabel('x')
plt.ylabel('sin(x)')
plt.grid(True)
plt.show()

TypeScript

interface User {
  id: number;
  name: string;
  email: string;
}

async function getUser(id: number): Promise<User> {
  const response = await fetch(`/api/users/${id}`);
  return response.json();
}

行内代码

使用 console.log('Hello') 来输出调试信息。

表格

语法	描述	示例
`粗体`	粗体文本	粗体
`斜体`	斜体文本	斜体
`代码`	行内代码	`代码`
`$$公式$$`	块级公式	见上文

引用

学而不思则罔，思而不学则殆。 —— 孔子

分割线

任务列表

搭建博客框架
配置数学公式
写更多文章
优化 SEO

Markdown 数学公式写作指南

Wed, 03 Jun 2026 00:00:00 GMT

为什么要用数学公式？

物理和数学笔记离不开公式。用文字描述公式既不直观也不精确。LaTeX 数学公式语法是学术写作的标准，KaTeX 提供了快速的渲染支持。

行内公式

行内公式用单个 $ 包裹：

勾股定理： $a^2 + b^2 = c^2$

质能方程： $E = mc^2$

欧拉公式： $e^{i\pi} + 1 = 0$

块级公式

块级公式用 $$ 包裹：

$\int_{-\infty}^{\infty} e^{-x^2} \, dx = \sqrt{\pi}$

$\sum_{n=1}^{\infty} \frac{1}{n^2} = \frac{\pi^2}{6}$

常用语法

上下标

x^2          # 上标
x_i          # 下标
x^{2+3}      # 多字符上标
x_{i,j}      # 多字符下标

效果： $x^2$ , $x_i$ , $x^{2+3}$ , $x_{i,j}$

分数

\frac{a}{b}

效果： $\frac{a}{b}$

希腊字母

\alpha, \beta, \gamma, \delta, \epsilon
\theta, \lambda, \mu, \pi, \sigma
\omega, \Omega, \Delta, \Sigma

效果： $\alpha, \beta, \gamma, \delta, \epsilon, \theta, \lambda, \mu, \pi, \sigma$

求和与积分

\sum_{i=1}^{n} x_i
\int_{a}^{b} f(x) \, dx
\prod_{k=1}^{n} k

效果：

$\sum_{i=1}^{n} x_i, \quad \int_{a}^{b} f(x) \, dx, \quad \prod_{k=1}^{n} k$

矩阵

\begin{pmatrix}
a & b \\
c & d
\end{pmatrix}

效果：

$\begin{pmatrix} a & b \\ c & d \end{pmatrix}$

方程组

\begin{cases}
x + y = 5 \\
2x - y = 1
\end{cases}

效果：

$\begin{cases} x + y = 5 \\ 2x - y = 1 \end{cases}$

物理常用公式

牛顿第二定律

$\vec{F} = m\vec{a}$

万有引力

$F = G \frac{m_1 m_2}{r^2}$

麦克斯韦方程组

$\nabla \cdot \vec{E} = \frac{\rho}{\varepsilon_0}$

$\nabla \cdot \vec{B} = 0$

$\nabla \times \vec{E} = -\frac{\partial \vec{B}}{\partial t}$

$\nabla \times \vec{B} = \mu_0 \vec{J} + \mu_0 \varepsilon_0 \frac{\partial \vec{E}}{\partial t}$

薛定谔方程

$i\hbar \frac{\partial}{\partial t} \Psi(\vec{r}, t) = \hat{H} \Psi(\vec{r}, t)$

数学常用公式

泰勒展开

$f(x) = \sum_{n=0}^{\infty} \frac{f^{(n)}(a)}{n!} (x-a)^n$

傅里叶变换

$\hat{f}(\xi) = \int_{-\infty}^{\infty} f(x) e^{-2\pi i x \xi} \, dx$

行列式

$\det(A) = \sum_{\sigma \in S_n} \text{sgn}(\sigma) \prod_{i=1}^{n} a_{i,\sigma(i)}$

小结

掌握这些基础语法后，绝大多数物理和数学公式都能写出。更多语法可以参考 KaTeX 官方文档。

LSRain的小屋

高考二三事

写作是最好的学习方式

费曼学习法

写作的几个好处

整理思路

暴露盲区

长期记忆

帮助他人

为什么选择博客

关于「完美主义」

结语

玻尔兹曼分布与麦克斯韦分布

引言：从微观到宏观

第一部分：预备知识

1.1 理想气体模型

1.2 概率论基础

1.3 玻尔兹曼关系与熵

第二部分：麦克斯韦速率分布

2.1 历史背景

2.2 麦克斯韦速率分布函数

2.3 分布函数的推导

基本假设

推导过程

由归一化确定常数

由能量均分定理确定 BBB

合成三维分布

2.4 三种特征速率

最概然速率 vpv_pvp​

平均速率 vˉ\bar{v}vˉ

方均根速率 vrmsv_{\text{rms}}vrms​

三种速率的大小关系

2.5 分布曲线的特征

2.6 麦克斯韦速度分布

第三部分：玻尔兹曼分布

3.1 从微观状态数到分布

3.2 拉格朗日乘子法推导

3.3 确定参数 β\betaβ

3.4 玻尔兹曼分布的最终形式

3.5 连续形式的玻尔兹曼分布

3.6 玻尔兹曼因子的物理意义

第四部分：从玻尔兹曼分布到麦克斯韦分布

4.1 推导思路

4.2 态密度的计算

4.3 能量分布

4.4 转换为速率分布

4.5 玻尔兹曼分布与麦克斯韦分布的关系总结

第五部分：重力场中的玻尔兹曼分布

5.1 等温大气压公式

5.2 标高

5.3 应用：粒子在势场中的一般分布

第六部分：能量均分定理

6.1 定理内容

6.2 对理想气体的应用

6.3 理想气体的内能

第七部分：配分函数与热力学量

7.1 配分函数的核心地位

单粒子配分函数

NNN 个全同粒子的配分函数

7.2 从配分函数推导热力学量

7.3 理想气体的配分函数

第八部分：量子统计简介

8.1 经典统计的适用条件

8.2 两种量子统计

8.3 经典极限

第九部分：应用实例

9.1 化学反应速率

9.2 热电子发射

9.3 回旋加速器中的粒子分布

9.4 星体内部的粒子分布

第十部分：总结与对比

核心公式速查

物理图像

参考资料

Python 类型提示完全指南

为什么需要类型提示？

基础类型标注

容器类型

Optional 和 Union

类型别名

由能量均分定理确定 $B$

最概然速率 $v_p$

平均速率 $\bar{v}$

方均根速率 $v_{\text{rms}}$

3.3 确定参数 $\beta$

$N$ 个全同粒子的配分函数