第 1 章 · 统计基本假设：熵与温度的诞生

朗道统计物理的第一性立场：宏观系统的"温度、熵"不是新实验事实，而是对大量自由度做统计描述的必然产物。第一章从 Gibbs 系综的思想出发，把热力学的三个基本量（温度、熵、分布函数）从对称性与守恒律里推出来。

统计的合法性：大数与弛豫

宏观系统的自由度 $\sim 10^{23}$，观测不可能跟随微观轨道——但也不需要：宏观量在微观态上的相对涨落 $\sim 1/\sqrt{N}$，小到可忽略。统计描述的精度由大数定律担保。系统从非平衡趋于平衡的特征时间（弛豫时间）是统计力学适用的隐含时标。

吉布斯分布的推导：从对称性出发

封闭系统 = 所考察子系统 + 巨大的恒温器。全系统沿能量壳演化（微正则），子系统的分布函数对"子系统态"的对数概率 $\ln w \approx$ 常数 $-\beta E$（把 $\ln$（恒温器态数）在固定子系统能量处泰勒展开，线性项胜出）：

温度是展开系数（$1/T = \partial S/\partial E$）、熵 $S = -k\sum w_n\ln w_n$、自由能 $F$ 随之定义——热力学的三件套从一条统计推导里全部冒出来。朗道的推法与课本常见的"哈密顿量 → 配分函数"不同：他先给分布函数，配分函数是积分形式的后话（第 3 章）。

熵的统计意义

$S = k\ln\Delta\Gamma$（玻尔兹曼形式）：熵 = 微观实现方式的对数。熵增 = 系统走向实现方式更多的宏观态——不可逆性的统计本质；"涨落使熵可能瞬时减少"（$w \propto e^{\Delta S/k}$）也是第一章的定量结论——统计力学连"违反第二定律的涨落"都给了概率。

老师的提醒

• 朗道推导的骨架是"对数线性化"：$\ln w \approx \ln w_0 - E/kT$——看懂这一步，吉布斯分布就从"规定"变成"推论"。
• 记住涨落判据：相对涨落 $\sim N^{-1/2}$——它同时解释了"统计描述为何准"与"涨落何时可见"（小系统、临界点）。

自检

• 从微正则假设推导吉布斯分布的关键步骤？
• 熵的统计定义与第二定律的关系？
• 涨落的概率公式 $w \propto e^{\Delta S/k}$ 说明什么？

更深一层：吉布斯分布的推导只用两条假设

吉布斯分布 $w_n = e^{(F - E_n)/kT}$ 的推导值得慢读，因为它只用了两条弱假设：全系统等概率（微正则：等能量的所有微观态等概率——遍历性的弱版）与恒温器巨大（子系统能量的泰勒展开只取线性项——高阶项被"恒温器巨大"压掉）。推导的核心动作是对数线性化：$\ln w_n \approx \ln w_0 - \frac{E_n}{kT}$——其中 $\frac{1}{kT} = \frac{\partial\ln\Omega_{th}}{\partial E_{th}}$（恒温器态数对能量的导数）就是温度的统计定义。温度、熵、分布函数从一条统计推导里同时诞生——朗道式推导的压缩美感。

"统计描述的精度由大数定律担保"也值得放大：宏观量的相对涨落 $\sim 1/\sqrt N$——$N = 10^{23}$ 时涨落量级 $10^{-11}$，完全测不到。这就是为什么宏观定律（热力学）在统计上如此可靠——不是物理常数"真的"不变，是涨落太小。例外情况恰恰是涨落可见时：小系统（纳米颗粒）、临界点（涨落发散）、单分子测量——这些"统计失效区"是当代统计物理的前沿。

推导细读：熵的统计定义与第二定律的"概率版本"

$S = k\ln\Delta\Gamma$（玻尔兹曼形式，$\Delta\Gamma$ = 微观实现方式数）把熵翻译成计数。第二定律的统计版立刻显形：系统走向实现方式更多的宏观态——不是"必须"，是"压倒性可能"（$w \propto e^{\Delta S/k}$）。涨落违反第二定律的概率公式给出定量的"违规概率"——微观时间反演的对称性让"Poincaré 回归"（孤立系统几乎必然回到任意接近初态的状态）与"熵增"在数学上共存，两者的和解由回归时间天文数字长完成（$N = 10^{23}$ 时回归时间 $\gg$ 宇宙年龄）。第二定律不是定律，是概率统计——这是统计物理对哲学的最大贡献。

在真实世界里：统计物理的"第一性原理"红利

朗道卷五的推导链条（分布 → 配分函数 → 自由能 → 一切）有一个深层红利：不需要先验的热力学定律——温度、熵、压强全部从统计推导，而不是从实验假设。这是"第一性原理"的方法论标杆：从最少假设（等概率 + 大数）推出最多结论。数据科学的贝叶斯推断（最大熵原理 = 最少假设的分布）、信息论（熵 = 信息缺失量）、机器学习（玻尔兹曼机、扩散模型的能量函数）——全是这一思想的直系后代。

专题深入：等概率原理与"熵的三个化身"完整版

朗道统计物理的地基是等概率原理（孤立系统平衡态：每个可达微观态等概率）——它是唯一无法再推导的公设，其余全部是推论。熵由此获得三个化身并互相翻译：玻尔兹曼熵 $S = k\ln W$（微观状态数计数，最直观）；吉布斯熵 $S = -k\sum p_i\ln p_i$（一般概率分布，信息论香农熵的原型）；热力学熵 $dS = \delta Q_{\rm rev}/T$（可测量的操作定义）。三者的等价性在平衡态成立、在远离平衡时分歧——这正是现代非平衡统计（涨落定理、Jarzynski 等式）的起点。温度的朗道式定义 $1/T = (\partial S/\partial E)_V$ 让"温度是谁"从公理变成偏导数：温度是熵对能量的敏感度的倒数——负温度（粒子数反转的激光介质）在此自然出现：能量增加熵反而减少的系统，$T < 0$ 且比任何正温度更"热"。

推导细读：玻尔兹曼分布的"最大熵推导"完整版

正则分布的最干净推导是最大熵法：约束（平均能量固定 $\sum p_iE_i = E$、归一化）下最大化 $S = -k\sum p_i\ln p_i$，拉格朗日乘子法一步得 $p_i \propto e^{-E_i/kT}$——指数形式是"熵最大化 + 能量固定"的数学签名，乘子 $\beta = 1/kT$ 自动获得温度身份。这个推导的普适性是它的教学价值：把 $E_i$ 换成其他约束量，同一台机器产出巨正则分布（加粒子数约束）、麦克斯韦-玻尔兹曼速度分布（连续版）、乃至最大似然估计——"在约束下最不偏不倚的分布就是指数族"，统计力学与统计学习（softmax、逻辑回归的损失函数）在此共享同一数学。配分函数 $Z = \sum e^{-\beta E_i}$ 的"万能生成器"属性（$U = -\partial\ln Z/\partial\beta$、$F = -kT\ln Z$、压强、熵、热容全部求导可得）在此章确立。

工程案例细节：熵与温度概念的工程校准工程版

第一章概念的工程校准案例：理想气体温标与实用温标（定容气体温度计的理论基础——ITS-90 温标的固定点校准链条，从水三相点 273.16 K 到铂电阻与辐射温度计的量值传递）；绝热去磁制冷（顺磁盐的磁熵：加磁场磁矩对齐、熵被"挤出"到晶格；绝热撤场熵只能从晶格振动借——温度降到 mK 量级，稀释制冷机之前的 mK 制冷主力）；激光冷却的反直觉（多普勒冷却极限 $T_D = \hbar\gamma/2k_B \sim$ 百 μK 量级由线宽决定——"温度是速度分布宽度"的激光版）；信息擦除的 Landauer 原理（擦除一比特最少耗散 $kT\ln 2$ 热量——香农熵与热力学熵在芯片散热预算里合流，IBM 与 Intel 的低功耗设计文档里真实出现）。熵不是玄学，是冷却机、温标、芯片功耗表上的可审计科目。