Jiming Zheng 发布的文章 - Jiming's blog

Python generator 实现 Gillespie 算法

1. Gillespie 算法与连续时间 Markov 过程Gillespie 算法是一种可以用于采样连续时间 Markov 过程（CTMC）的随机轨迹的算法。这一算法被广泛用于模拟化学反应网络、生物物理过程等随机过程。在介观热力学中，Gillespie 算法被广泛应用于模拟主方程描述的系统，即连续时间 Markov 系统。对于连续时间、离散状态的马尔可夫过程，其概率演化可以由如下主方程表达$$ \frac{\mathrm d p(x, t)}{\mathrm dt} = R p(x, t). $$其中矩阵 $R$ 的矩阵元满足$$ \begin{cases} R_{ij} \ge 0, \quad i \neq j; \\ \\ R_{ii} = \displaystyle{-\sum_{j\neq i}}R_{ij}. \end{cases} $$列和为零的性质保证的概率的守恒（即归一性）。上式表明我们可以将连续时间 Markov 过程视为概率密度在各个状态上的流动过程。实际上，我们也可以考虑大量按初始概率分布的无相互作用粒子

物理·化学·科研·代码 · 2023-10-03 · 2945 人浏览

随机分析、Langevin 方程与 Fokker-Planck 方程

1. Wiener 过程首先考虑一个离散的一维随机漫步 (random walk)，记过程的起始点为 $x=0$，每一步行走距离为 $\Delta x$，向左向右走的概率均为 $1/2$，粒子每过 $\Delta t$ 的时间就移动一次。用 $X(t)$ 记录粒子在 $t$ 时刻的位置，则有$$ X(t) = \sum_{i=1}^{t/\Delta t} \eta_i, $$其中$$ \eta_i = \begin{cases} +\Delta x, \text{ with prob. 1/2 }; \\ -\Delta x, \text{ with prob. 1/2 }. \end{cases} $$由中心极限定理可知，当 $t$ 很大、或者说 $\Delta t$ 很小的时候，$X(t)$ 的分布趋近于高斯分布。此时，我们只需要知道 $X(t)$ 的均值和方差即可确定 $X(t)$ 的概率分布。均值很容易计算，即$$ \langle X(t) \rangle = \frac{t}{\Delta t}\langle\eta_i\rangle = 0; $$其方差为$$ \sigm

物理·数学·科研 · 2023-08-21 · 3371 人浏览

Jiming Zheng 2023-08-06

在教堂山安顿好了，马上开始 PhD 生活。

SimpleTeX：方便免费的公式识别软件

最近发现一款国产数学公式 LaTeX 代码识别软件。软件由一些在校大学生开发和维护，支持 Windows 系统电脑以及浏览器在线使用。SimpleTeX 识别算法基于深度学习，有非常高的准确率，且软件完全免费，十分好用！

科研·代码 · 2023-07-16 · 4016 人浏览

SimpleTeX：方便免费的公式识别软件

过阻尼 Langevin 系统随机热力学的一些几何表述

1. 随机热力学的基本设定近年来，Sosuke Ito 等人逐步建立了热力学的几何表述。尽管理论还在发展初期，但已经显现出其新颖和强大之处。考虑过阻尼 Langevin 方程$$ \dot{\boldsymbol x}(t) = \mu \boldsymbol F_t(\boldsymbol x(t)) + \sqrt{2\mu T} \boldsymbol\xi(t), $$及其对应的 Fokker-Planck 方程$$ \frac{\partial}{\partial t} p_t(\boldsymbol x) = -\nabla\cdot (\boldsymbol v_t(\boldsymbol x) p_t(\boldsymbol x)), $$其中$~\boldsymbol v~$为局域平均速度(local mean velocity)$$ \boldsymbol v_t(\boldsymbol x) = \mu(\boldsymbol F_t(\boldsymbol x) - T\nabla\ln p_t(\boldsymbol x)). $$从$

物理·数学·科研 · 2023-07-13 · 2267 人浏览

关于信息几何的简短介绍

本文主要参考文献为 Shun-ichi Amari 所著的 Information geometry and its applications.信息几何旨在用几何语言描述概率分布。其在最优传输理论，机器学习等领域有广泛用途。近年来，一些物理学家将信息几何运用于非平衡态热力学中，得到了一系列有趣的结论。本文给出信息几何的简单介绍。本文使用爱因斯坦求和约定，即对式子中相同的上下指标求和。信息几何可以从多个角度引入，本文介绍一种从散度入手的引入方式，这一方式更加直观，不需要太多的微分几何。从度规张量引入的信息几何请参考这里。1. 散度、对偶仿射坐标与测地线信息几何主要讨论由参数控制的概率分布构成的流形$~M~$，称其为概率流形或统计流形。考虑由$~n~$个参数$~\boldsymbol{\xi} = (\xi_1, \xi_2, \cdots, \xi_n)~$控制的概率密度函数$~p(x, \boldsymbol{\xi})~$，这$~n~$个参数张成一个$~n~$维统计流形，流形上的每一个点都唯一确定一个概率分布。容易看出，欧氏距离并不能衡量这个流形上两点之间的距离，因此我们需要新的几何

数学·科研 · 2023-07-13 · 2529 人浏览

Jiming Zheng 2023-05-24

总算完成了本科毕业论文。本科期间在非平衡统计物理上做了一点点微小的工作，学术上最大的收获应该是了解到了很多和信息几何有关的有趣的东西。最近开始看一些鞅论。

Jiming Zheng 2023-05-23

正在参加 Stochastic Thermodynamic Workshop IV 线上会议。看到很多有意思的东西，也产生了点自己的想法。感觉自己还需要做很多的努力。

热力学不确定关系的推导与含义

1. 简介众所周知所有宏观系统都受到热力学第二定律的约束$$ \Delta S + \frac{\Delta Q}{T} = \Sigma \ge 0. $$但系统的可观测性质是如何与 $\Sigma$ 联系的呢？答案由热力学不确定关系（Thermodynamic Uncertainty Relation, TUR）给出。TUR 的一般形式如下$$ \Sigma \ge \frac{2\langle J \rangle^2}{\mathrm{Var}(J)}. $$其中 $J$ 是时间积分的流（例如粒子的位移，热流等等），$\langle J\rangle$ 是流的平均值，$\mathrm{Var}(J)$ 是流的涨落（方差）。TUR 对于连续时间马尔可夫过程的定态（steady state）成立。TUR 给出了一个对熵产生下界的估计。当此估计不为零时，它给出了更加强化的第二定律（相较于 $\Sigma \ge 0$ ）。在许多情况下，直接测量熵产生是非常困难的，而流的均值与方差是较易测量的，因此在实验上 TUR 是估计熵产生的一个较好的方法。同时，TUR 也给出了衡量系统的精确程度（

物理·科研 · 2023-04-26 · 5849 人浏览

Jiming Zheng 2023-04-12

几经折腾建好了新的个人主页，搬运了一些原来主页的内容过来，以后博客就在这里更新了。
给原来的网页做了自动跳转。

Theme Jasmine by Kent Liao