Was bedeutet es in diesem Lehrbuchauszug, durch die Entartung des Staates zu spalten?

Dieser Abschnitt von Griffiths Einführung in die Quantenmechanik befasst sich mit Boltzmann-, Fermi-Dirac- und Bose-Einstein-Verteilungen. Ich verstehe diese Zeile nicht (gelb markiert):

Geben Sie hier die Bildbeschreibung ein

Reden wir hier der Einfachheit halber nur von Maxwell-Boltzmann. Ursprünglich hatten wir

N N = D N e ( a + β E N )

Dies wurde in dem Buch als die Gleichung für die wahrscheinlichste Besetzungszahl für unterscheidbare Teilchen erklärt. Dann dividiert der Autor im obigen Bild durch D N um "die Anzahl der Teilchen in einem bestimmten Zustand mit dieser Energie" zu ergeben, aber ich verstehe das nicht ganz. Könnte jemand dieses Bit in einfacheren Worten erklären? Oder mit einem einfachen Beispiel?

Ich denke, Gleichung 5.103 ist „eine mittlere Besetzung der Zustände mit der Energie ε“, oder mit anderen Worten, es ist „eine Besetzungswahrscheinlichkeit“.

Antworten (1)

Die Formeln in Griffiths sind korrekt, aber die Erklärung ist ziemlich ungeschickt, weil er die Ableitung im Grunde „umgekehrt“ gemacht hat. Der Einfachheit halber werde ich nur über den Fall der unterscheidbaren Teilchen sprechen, aber die anderen sind ähnlich.

Die Ableitung in Vorwärtsrichtung sieht so aus: Die Maxwell-Boltzmann-Verteilung ist die Verteilung, die bei fester Energie die Entropie maximiert. Hier ist die Entropie definiert als

S P ich Protokoll P ich
und das P ich sind die Besetzungswahrscheinlichkeiten jedes Zustands (nicht jedes Energieniveaus!). Wenn Sie die eingeschränkte Optimierung mit einer ähnlichen Methode wie Griffiths durchführen, kommen Sie zu Gleichung 5.103.

Nun hängt die Besetzungswahrscheinlichkeit eines Zustands nur noch von seiner Energie ab. Nehmen wir an, dass die Wahrscheinlichkeit der Besetzung eines Zustands bei einer bestimmten Energie liegt P N = 1 / 2 , und die Entartung ist D N = 10 6 . Dann nach dem Gesetz der großen Zahl die Gesamtbelegung N N dieses gesamten Energieniveaus sehr nahe kommen wird P N D N = ( 1 / 2 ) 10 6 . Die Belegung könnte sicherlich mehr oder weniger sein, aber die Wahrscheinlichkeitsverteilung wird ihren Höhepunkt um diesen zentralen Wert herum haben.

Das einzige Problem bei diesem Ansatz ist, dass die Definition von S ist etwas unintuitiv. Stattdessen arbeitet Griffiths nur mit Belegungszahlen N N , also kann er einfach "die Anzahl der Möglichkeiten zählen", um diese Zahlen zu erreichen, anstatt sich mit den Wahrscheinlichkeiten auseinanderzusetzen P N . Dann nimmt er implizit das High D N begrenzen, damit N N P N D N , und rechnet P N = N N / D N .

Das Hoch D N Grenze ist notwendig, damit die durch dieses Verhältnis geschätzte Wahrscheinlichkeit genau ist. Zum Beispiel, wenn P N = 2 / 3 Aber D N = 10 , könnte die wahrscheinlichste Belegungszahl sein N N = 7 . Dann würde die Division die Annäherung ergeben P N 0,7 . Für unseren errechneten Wert von P N um gut zu sein, müssen wir nehmen D N zur Unendlichkeit.

Ein letzter schlammiger Punkt ist, dass Griffiths versehentlich die Wahrscheinlichkeiten nennt P N „Die wahrscheinlichsten Belegungszahlen eines Bundeslandes“, auch wenn dies keinen Sinn macht, weil P N ist nicht einmal eine ganze Zahl, sondern eine Wahrscheinlichkeit zwischen 0 Und 1 . Diese ungeschickte Formulierung ist darauf zurückzuführen, dass Griffiths die gesamte Wahrscheinlichkeitssprache zugunsten von Belegungszahlen unter den Teppich gekehrt hat, aber es ist einfach nicht richtig.

Ehrlich gesagt habe ich jetzt seit 2 Semestern mit einigen Formulierungen in diesem Buch zu kämpfen. Haben Sie Ressourcen, die das gesamte Buch idealerweise mit anderen Worten erklären oder vielleicht nur diesen Abschnitt im Buch intuitiver erklären?
@DarthVoid Ich hatte im Grunde das gleiche Problem mit Griffiths und musste am Ende alles neu lernen. Ich denke, Shankar ist eine gute alternative Referenz. Wenn Sie Stat Mech bereits kennen, können Sie einfach zum Ende der meisten Bücher darüber blättern, um eine bessere Ableitung dieser Verteilungen zu erhalten.
Ich werde mir Shankars Buch ansehen, danke für den Tipp.