相变第一性原理

从概率、自由能到自由能地形

写给只学过高中数学和大学一年级微积分的读者

序章 你不需要先学完统计物理

你可能见过这些现象：水烧到一定温度会沸腾，冰块会融化，磁铁加热到一定程度会失去磁性，某些材料会突然变成超导体。

这些现象有一个共同点：温度或者压力缓慢变化，系统的整体行为却发生了明显改变。温度没有“跳跃”，宏观状态却好像突然换了一套规则。

传统教材常常从定义开始：相变分为一级相变和二级相变；有序参量满足某种关系；自由能可以写成一个展开式；临界点附近出现幂律；再往后还有重整化群和普适性。

这些内容都没有错，但初学者很容易在第一个公式处停下来：

这个自由能函数到底从哪里来？为什么系统要最小化它？为什么温度一变，函数的形状就会变？

这本书不要求你先背下所有名词。我们只追问一个问题：

一个系统为什么会在温度变化时，从一种状态变成另一种状态？

全书沿着下面一条线走：

$$\text{微观状态} \rightarrow \text{概率权重} \rightarrow \text{配分函数 }Z \rightarrow \text{自由能 }F \rightarrow \text{有效函数 }F(T,M) \rightarrow \text{自由能地形变化} \rightarrow \text{相变}$$

这条线上的每一步都只回答一个问题。

• 微观状态：系统内部到底有哪些可能的排列？
• 概率权重：为什么有些排列更容易出现？
• 配分函数：状态太多时，怎么把它们全部处理？
• 自由能：怎么把能量和状态数量放在一起比较？
• 有效函数：真实系统算不动时，怎么得到一个可研究的宏观函数？
• 自由能地形：温度变化时，最低点如何移动、分裂或跳跃？

最后你会看到，磁铁和水看起来是两类完全不同的物质，但在相变附近，它们可以由相似的数学结构描述。

本书的目标不是让你立刻成为统计物理学家，而是让你第一次看见相变背后的骨架：

相变不是系统突然“决定改变”，而是自由能地形在参数变化时改变了形状。

读这本书时，先不要急着记公式

本书中的公式大多只承担一个非常具体的任务。看到公式时，可以先问三个问题：

1. 这个公式的输入是什么？是能量、温度、状态数量，还是一个宏观变量？
2. 这个公式的输出是什么？是概率、平均值、自由能，还是最低点的位置？
3. 这个输出下一步要交给谁？它是否会进入配分函数、自由能，或者地形图？

例如，看到

$$p_i=\frac{e^{-\beta E_i}}{Z}$$

不要先背“这是玻尔兹曼分布”。先读成一句普通话：一个状态的概率，等于它的权重除以所有状态的总权重。这样，公式就不再是一个需要敬畏的符号，而是一个完成归一化的计算工具。

同样，看到

$$F=-k_BT\ln Z$$

也不要先把它当作新的定义。先问：为什么要取对数？为什么要乘以温度？答案会在第三讲中逐步出现。

本书希望读者始终保留一种“慢半步”的阅读习惯：每当一个新概念出现时，先把它翻译成一个你已经会的数学动作，再接受它的物理名字。

第一讲 为什么系统会选边站

1.1 从很多微观排列开始

先不谈水、磁铁和温度。想象桌面上有三个只能向上或向下拨动的小开关。

每个开关有两种可能，三个开关共有

$$2^3=8$$

种排列。

如果有十个开关，就有 $2^{10}=1024$ 种排列；如果有一万个开关，就有 $2^{10000}$ 种排列。这个数字大到我们不可能把所有排列逐一列出来。

在统计物理中，这些具体排列就是微观状态。一个磁铁内部每个原子的微小磁矩朝上还是朝下，一杯水中每个分子的位置和速度，都是微观状态的一部分。

但我们通常并不关心某一个具体状态。我们更关心的是宏观问题：

• 大多数磁针是不是朝向同一边？
• 水分子整体是聚集在一起，还是分散开来？
• 系统整体有没有磁性？
• 一杯物质最后表现为液体还是气体？

宏观状态，就是把大量不同的微观状态按照某种共同特征归为一类。

例如，三个开关中有两个向上，可以归为“总体向上”；三个都向下，可以归为“总体向下”；三个一上一下，也可以归为“混合状态”。

一个宏观状态背后可能对应很多微观状态。宏观状态的出现概率，不能只看其中一个排列，而要把这一类里面所有排列的概率加起来。

1.2 为什么低能量状态更有利

在自然系统中，不同微观状态通常有不同的能量。我们先给每个状态一个数字 $E_i$，暂时不要把它想得太复杂。

在温度为 $T$ 的环境中，能量为 $E_i$ 的状态获得一个权重：

$$w_i=e^{-\beta E_i}, \qquad \beta=\frac{1}{k_BT}$$

这里 $k_B$ 是玻尔兹曼常数。如果暂时只学习数学结构，可以把 $\beta$ 当成一个正参数。

这个指数函数有一个直观性质：能量越高，$e^{-\beta E_i}$ 越小；能量越低，权重越大。

但权重还不是概率。要把所有权重加起来进行归一化：

$$Z=\sum_i e^{-\beta E_i}$$

然后定义：

$$p_i=\frac{e^{-\beta E_i}}{Z}$$

因为所有权重都是非负的，而且

$$\sum_i p_i=1,$$

所以 $p_i$ 是一组合法概率。

这就是玻尔兹曼分布。现在不要把它当成一条需要背诵的物理定律，先把它看成一种数学操作：

给每个状态一个代价，再用指数函数把代价变成权重，最后归一化成概率。

1.3 低能量不是全部

如果系统只偏爱低能量，问题就很简单：最后大家都去能量最低的状态。

真实系统没有这么简单，因为同一个宏观状态背后可能有许多微观排列。

假设有两个宏观候选：

• 状态 A 的每个具体排列能量都比较低，但只有十种排列；
• 状态 B 的每个具体排列能量略高，却有一百万种排列。

低温时，能量差异很重要，A 可能胜出；高温时，状态数量带来的统计优势变得重要，B 可能胜出。

所以系统最后“选中”的宏观状态，取决于两件事的竞争：

1. 每个微观状态的能量代价；
2. 这一宏观状态背后有多少种可能的微观排列。

这就是相变的第一颗种子。温度变化时，能量与状态数量的相对重要性发生改变，宏观状态就可能改变。

1.3.1 一个两个开关的完整例子

为了把“宏观状态背后有多少微观状态”说得更具体，我们只看两个开关。每个开关可以向上或向下，因此有四种微观排列：

$$(\uparrow\uparrow),\quad(\uparrow\downarrow),\quad(\downarrow\uparrow),\quad(\downarrow\downarrow).$$

如果我们只关心“总体方向”，可以把它们分成三类：

• 总体向上：$(\uparrow\uparrow)$；
• 总体向下：$(\downarrow\downarrow)$；
• 总体抵消：$(\uparrow\downarrow)$、$(\downarrow\uparrow)$。

注意第三类背后有两个微观排列，而前两类各自只有一个。如果三种排列的能量完全相同，那么“总体抵消”这个宏观状态出现的概率就是另外两类的两倍。

这就是熵的最简单来源：不是某个状态特别强，而是支持它的微观排列更多。

如果同向排列的能量更低，情况就会变成竞争：

• 低温时，同向排列的低能量优势更明显；
• 高温时，抵消状态的排列数量优势更明显。

即使在这个只有两个开关的小例子里，我们也已经看到了相变理论的雏形：一个参数改变了不同宏观状态之间的相对优势。

1.3.2 “系统选择”只是统计语言

书中常说“系统选择自由能最低的状态”，这是一种方便的拟人化说法。系统并没有意识，也没有做决定。

更准确的说法是：在大量微观实现中，低自由能宏观状态所占的总统计权重更大。我们观察一个系统时，最有可能看到的就是这类宏观状态。

因此，“选择”并不意味着所有微观状态都消失了。高自由能状态仍然可能出现，只是它们的总体权重较小。在临界点附近，许多不同尺度的状态都可能有重要贡献，系统才会表现出强烈涨落。

1.4 数学骨架

这一讲的数学对象是一个加权求和：

$$Z(\beta)=\sum_i e^{-\beta E_i}$$

它接受一组状态能量和一个参数 $\beta$，输出所有状态权重的总和。归一化之后，每个状态获得概率 $p_i$。

如果把某个宏观状态记作 $A$，那么它的概率就是属于它的所有微观状态概率之和：

$$P(A)=\sum_{i\in A}p_i$$

这条式子非常重要。宏观状态的概率来自很多微观状态的总和，而不是来自某个代表性排列。

1.5 回到物理

磁铁为什么会整体朝一个方向磁化？不是因为每个原子都知道“应该排整齐”，而是相互作用和统计权重共同作用的结果。

水为什么会有液体和气体？不是因为分子被贴上了两种标签，而是分子相互作用、运动能量和可实现排列共同形成了不同的宏观状态。

读者现在只需要记住一句话：

一个宏观状态是否容易出现，取决于它背后所有微观状态的总权重。

1.6 小结

• 微观状态是系统的一种具体排列；
• 宏观状态是一批具有共同特征的微观状态；
• 低能量状态权重较大；
• 状态数量也会影响宏观概率；
• 配分函数是所有微观权重的总和。

相变还没有正式出现，但它已经被埋在这里：温度改变时，能量与状态数量的竞争关系会改变。

本讲自检

如果你能够回答下面三个问题，就说明第一讲的骨架已经建立：

1. 为什么一个宏观状态要把许多微观状态的概率加起来？
2. 为什么低能量状态通常权重更大？
3. 为什么“排列更多”也可能让一个宏观状态更有利？

如果还不能马上回答，也不必回头背定义。重新画两个开关的四种排列，观察“一个宏观类别里面包含几个微观状态”，直觉会比术语更快回来。

第二讲 F 到底是什么

2.1 能量和熵各自喜欢什么

上一讲出现了一个竞争：低能量倾向和大量排列倾向。

统计物理用熵来描述“可能性有多少”。如果一个宏观状态背后有很多微观排列，它的熵通常较大；如果只有少数排列，它的熵通常较小。

最简单的熵公式是：

$$S=k_B\ln\Omega$$

其中 $\Omega$ 是与某个宏观状态相对应的微观状态数。

取对数的原因，是状态数往往会相乘，而熵希望具有可加性。如果两个独立系统分别有 $\Omega_A$ 和 $\Omega_B$ 种排列，总系统有

$$\Omega_{A+B}=\Omega_A\Omega_B$$

种排列，于是

$$S_{A+B}=k_B\ln(\Omega_A\Omega_B) =S_A+S_B.$$

熵可以理解为系统所拥有的微观可能性空间的大小。

这里有一个初学者很容易产生的误会：熵大不一定表示物质“更乱”到没有结构。对统计物理来说，熵首先是一个计数问题：在给定宏观条件下，能够实现这个状态的微观排列有多少。

例如，一副牌整齐地按花色和点数排列，能够被我们称为“整齐”的排列可能很少；完全打乱之后，符合“看起来没有特殊秩序”的排列却非常多。熵偏爱后者，不是因为自然界偏爱混乱，而是因为后者在可能性空间中占的份额更大。

能量和熵常常偏爱不同方向：能量倾向于让系统进入更稳定、更有序的排列；熵倾向于让系统拥有更多可实现的排列。

2.2 温度是裁判

温度决定能量和熵谁更有影响力。

在固定温度下，统计物理把两者合并成 Helmholtz 自由能：

$$F=U-TS.$$

这里：

• $U$ 是平均能量；
• $S$ 是熵；
• $T$ 是温度；
• $F$ 是自由能。

如果暂时不追究热力学的严格定义，可以把它理解成一张总账：

$$\text{自由能}= \text{能量代价}- \text{温度}\times\text{可能性收益}.$$

系统在给定温度下倾向于较低的自由能。

低温时，$T S$ 项较小，能量差异更重要；高温时，熵项的影响增强，拥有大量微观排列的状态可能胜出。

2.3 一个简单的选择题

假设有两个宏观状态。

状态 A 的能量为 $U_A=10$，熵为 $S_A=1$；状态 B 的能量为 $U_B=12$，熵为 $S_B=5$。为了简化，令单位中的 $k_B=1$。

在温度 $T=0.5$ 时：

$$F_A=10-0.5\times1=9.5,$$

$$F_B=12-0.5\times5=9.5.$$

两者打平。

在更低温度，能量更重要，A 可能占优；在更高温度，熵的贡献更大，B 可能占优。

这个例子已经包含了一个相变的雏形：当控制参数改变时，两个候选状态的自由能高低关系发生交换。

2.3.1 为什么温度不是“热量的多少”这么简单

在日常语言中，我们常把温度理解为冷热程度。在这里，温度还承担了一个数学角色：它决定能量差异在概率中被放大的程度。

因为

$$\beta=\frac{1}{k_BT},$$

低温对应较大的 $\beta$。此时两个能量只要相差一点，指数权重就可能相差很多；高温对应较小的 $\beta$，不同能量之间的概率差异被压平。

所以低温系统更像是在“挑选低能量状态”，高温系统则更像是在“允许大量状态共同参与”。这不是两个不同的定律，而是同一个指数权重在不同参数下的表现。

2.4 为什么是“自由”能

“自由能”这个名字容易让人误解。它不是说系统获得了某种主观自由，也不是说能量真的被分成了“自由”和“不自由”两部分。

在温度和体积固定的情况下，$F$ 是一个适合判断平衡状态的热力学函数。状态的自由能越低，在统计上越有利。

我们可以先把它当作一种评分函数：

$$\text{系统最后倾向于占据评分较低的宏观状态}.$$

这正是后面研究自由能地形时所需要的数学观点。

2.5 F 与 Z 的关系

上一讲定义了配分函数：

$$Z=\sum_i e^{-\beta E_i}.$$

在正则系综中，自由能与配分函数的关系是：

$$F=-k_BT\ln Z.$$

这不是一句“自由能是配分函数的某种函数”就结束了。它背后的逻辑是：

1. 配分函数收集了所有微观状态的统计权重；
2. 取对数以后，乘法结构变成加法结构；
3. 乘上 $-k_BT$ 后，得到具有能量单位、并且适合比较平衡状态的宏观函数。

从这个角度看，$F=U-TS$ 和 $F=-k_BT\ln Z$ 是自由能的两种窗口：前者强调能量与熵的竞争，后者强调自由能如何从微观概率中产生。

还可以把两者分别看成“解释语言”和“计算语言”：

• $F=U-TS$ 更适合解释为什么低温和高温会有不同倾向；
• $F=-k_BT\ln Z$ 更适合从具体模型计算宏观量。

学习相变时，这两种语言要不断来回切换。只讲第一种，容易停在直觉；只讲第二种，容易变成符号运算。真正的理解发生在两者能够互相翻译的时候。

2.6 回到相变

如果温度改变了两个宏观状态的自由能排序，系统就可能从一个状态转向另一个状态。

但这还不够解释连续相变。连续相变不是简单的“状态 A 赢了状态 B”，而是一个描述状态的连续变量，如磁化强度或密度差，其最有利取值随温度连续变化、分裂或合并。

因此下一步必须把“状态”从一个标签升级成一个变量，写成函数：

$$F(T,M).$$

固定温度，研究关于 $M$ 的最低点；改变温度，观察最低点如何变化。

2.7 小结

自由能是把能量代价和微观可能性放在同一张账本上的总评分。

它不是凭空添加的一个新概念，而是从概率权重和状态数量中自然出现的宏观描述。

本讲自检

试着不用“自由能是热力学函数”这句话，而用自己的话回答：

“为什么高温时一个能量略高、但微观排列很多的状态可能胜出？”

如果你的回答中出现了“温度放大了熵的作用”“状态数量带来统计优势”这样的意思，就已经抓住了 $U$ 和 $TS$ 的竞争。

第三讲 配分函数是从微观到宏观的桥

3.1 为什么不能直接逐个计算

如果只有两个能级，逐个列出概率当然没有问题。假设一个小系统有两个状态，能量分别为 $0$ 和 $\varepsilon$，那么

$$Z=1+e^{-\beta\varepsilon}.$$

平均能量也可以直接算：

$$\langle E\rangle =\frac{0\cdot1+\varepsilon e^{-\beta\varepsilon}} {1+e^{-\beta\varepsilon}}.$$

但是，如果系统由 $N$ 个二态单元构成，状态数通常会达到 $2^N$。当 $N$ 很大时，逐个写出所有概率就失去了意义。

配分函数的价值不在于让一个小例子变短，而在于它提供了一种统一的打包方式：

$$Z(\beta)=\sum_i e^{-\beta E_i}.$$

所有状态先被压缩进 $Z$，之后的问题尽量通过对 $Z$ 或 $\ln Z$ 做微积分来解决。

这里的“打包”不是把信息丢掉，而是把信息换了一种组织方式。单独看 $Z$，你似乎只剩下一个数；但当 $Z$ 作为温度或其他参数的函数被保留下来时，它仍然记录着整个状态集合对参数变化的响应。

例如，$Z(\beta)$ 在不同 $\beta$ 下的变化，包含了系统从高温到低温的全部统计信息。我们不是只计算一个固定温度的总和，而是在研究一条函数曲线。

3.2 对数导数为什么给平均能量

对配分函数求导：

$$\frac{\partial Z}{\partial\beta} =\sum_i(-E_i)e^{-\beta E_i}.$$

因此

$$\frac{\partial\ln Z}{\partial\beta} =\frac{1}{Z}\frac{\partial Z}{\partial\beta} =-\frac{\sum_iE_i e^{-\beta E_i}}{Z}.$$

而

$$p_i=\frac{e^{-\beta E_i}}{Z},$$

所以

$$\frac{\partial\ln Z}{\partial\beta} =-\sum_i p_iE_i =-\langle E\rangle.$$

于是：

$$\boxed{\langle E\rangle=-\frac{\partial\ln Z}{\partial\beta}}.$$

这个结果很有代表性。平均能量不是通过重新列一遍所有状态得到的，而是通过一个整体函数的导数得到的。

从微积分的角度看，这件事并不神秘。$Z$ 是许多指数函数的和，指数函数对 $\beta$ 求导时会把对应的 $-E_i$ 带出来。由于每个状态的权重正好是 $e^{-\beta E_i}/Z$，这些项自然重新组成了概率加权平均。

换句话说，求导不是“碰巧”得到了平均能量，而是因为指数函数把能量编码在了对参数的变化率中。

3.3 二阶导数给出涨落

继续求导：

$$\frac{\partial^2\ln Z}{\partial\beta^2} =\langle E^2\rangle-\langle E\rangle^2.$$

右侧正是能量的方差：

$$\operatorname{Var}(E)=\langle E^2\rangle-\langle E\rangle^2.$$

这说明 $\ln Z$ 像一个统计量生成器：

• 一阶导数给平均值；
• 二阶导数给涨落；
• 更高阶导数给更高阶的统计信息。

在概率论中，这类对象叫累积量生成函数。统计物理中的配分函数之所以强大，正是因为它把大量统计信息编码在一个函数里。

涨落在相变理论中非常重要。平均值告诉我们系统通常在哪里，方差告诉我们系统在这个位置附近摇摆得有多厉害。远离临界点时，涨落通常比较局部；临界点附近，某些涨落会变得异常大，甚至影响到宏观性质。

3.4 独立系统为什么可以相乘

假设系统 A 和系统 B 互不影响。组合状态 $(i,j)$ 的总能量为

$$E_{ij}=E_i^A+E_j^B.$$

于是总配分函数为

$$Z_{A+B} =\sum_{i,j}e^{-\beta(E_i^A+E_j^B)} =\left(\sum_i e^{-\beta E_i^A}\right) \left(\sum_j e^{-\beta E_j^B}\right).$$

所以

$$Z_{A+B}=Z_AZ_B.$$

取对数：

$$\ln Z_{A+B}=\ln Z_A+\ln Z_B.$$

再乘上 $-k_BT$：

$$F_{A+B}=F_A+F_B.$$

宏观自由能的可加性，正是由配分函数的乘法和对数共同产生的。

3.5 为什么 F=-kT ln Z

现在可以从三个角度理解这个公式。

第一，$Z$ 是所有微观状态权重的总和，包含了整个系统的统计信息。

第二，独立系统的 $Z$ 相乘，而自由能应该相加；对数正好把乘法变成加法。

第三，$k_BT$ 把无量纲的对数重新转换成能量单位。

因此：

$$\boxed{F=-k_BT\ln Z}$$

不是一个为了方便而规定的公式，而是让微观概率描述和宏观热力学描述能够接上的桥梁。

3.6 一个完整的小例子

考虑一个只有两个状态的单元：

$$E_0=0,\qquad E_1=\varepsilon.$$

配分函数是

$$Z=1+e^{-\beta\varepsilon}.$$

平均能量为

$$\langle E\rangle =-\frac{\partial}{\partial\beta} \ln\left(1+e^{-\beta\varepsilon}\right) =\frac{\varepsilon e^{-\beta\varepsilon}} {1+e^{-\beta\varepsilon}}.$$

低温时，$\beta$ 很大，$e^{-\beta\varepsilon}$ 很小，平均能量接近零；高温时，两个状态的概率接近，平均能量增加。

我们可以把这个例子再看一遍，但这次从概率角度出发。两个状态的概率分别是：

$$p_0=\frac{1}{1+e^{-\beta\varepsilon}}, \qquad p_1=\frac{e^{-\beta\varepsilon}}{1+e^{-\beta\varepsilon}}.$$

低温时，$p_0$ 接近1，系统几乎总在低能级；高温时，$p_0$ 和 $p_1$ 接近一半，系统会在两个状态之间更平均地分布。

如果把很多个彼此独立的二能级单元放在一起，总配分函数就是单元配分函数的乘积。此时直接处理总系统的所有排列很麻烦，但利用因子化只需先算一个单元，再用乘法得到整体结果。这正是配分函数在大系统中真正显示力量的地方。

3.6.1 从“一个数”到“一个函数”

初学者有时会问：既然配分函数把所有状态加成一个数，那是不是把细节都抹掉了？

关键在于，配分函数通常不是一个固定数，而是一个带参数的函数：

$$Z=Z(\beta),$$

甚至还可以依赖外场、体积、粒子数等参数。只要这些参数变化时的函数关系被保留下来，$Z$ 就像一份压缩后的档案。平均能量、热容、涨落和自由能，都是从这份档案中通过不同操作读取出来的。

这个小例子告诉我们：配分函数不是为了装饰理论，它真的把“状态概率”变成了“平均量的公式”。

3.7 小结

配分函数把数不清的微观状态打包成一个函数，随后用微积分从这个函数中读取平均量、涨落和自由能。

本讲自检

可以不看公式，尝试完成下面的口头翻译：

• $Z$：所有状态权重的总和；
• $\ln Z$：让独立系统的乘法结构变成加法结构；
• $\partial\ln Z/\partial\beta$：从参数变化中读出平均能量；
• 二阶导数：读出能量涨落；
• $-k_BT\ln Z$：得到可用于宏观比较的自由能。

如果这五句话能够连起来，配分函数就不再是相变理论中的黑箱。

第四讲 算不出来怎么办

4.1 状态数爆炸

真实磁铁里有大量原子。每个原子可以近似看成一个小磁针，状态可能是向上或向下。如果有 $N$ 个原子，排列数大致为 $2^N$。

更复杂的系统还要考虑每个粒子的位置、动量以及粒子之间的相互作用。

严格的配分函数可以写出来：

$$Z=\sum_{\text{所有微观状态}}e^{-\beta E(\text{状态})},$$

但“写出定义”不等于“能够计算”。真正困难的是求和对象的数量和相互耦合。

这一区分值得单独强调。数学上写下一个求和符号，往往只说明我们知道“要把什么加起来”；它没有保证这个和能够在有限时间内算出。统计物理真正的技巧，常常不是把求和硬算到底，而是寻找对称性、因子化、近似或极限，让问题改变形状。

4.2 平均场做了什么

假设一个磁针与周围的许多磁针相互作用。严格计算要知道每个邻居的具体方向。

平均场近似把问题换成：每根磁针不再看具体邻居，而只感受到邻居整体产生的平均影响。

用平均磁化 $m$ 表示这个背景。于是复杂的相互作用被近似为一个单元在平均场中的运动。

这一步可以用一个生活类比理解。一个人站在广场上，严格描述需要知道每个人的位置、方向和速度。平均场方法不追踪每个人，只描述“广场上总体人流向东的倾向”。

它丢掉了局部细节，却保留了整体偏向。

可以把平均场看成一次“降维”。原问题可能需要同时知道每个格点的状态，属于高维问题；平均场把大量局部变量压缩成一个宏观平均量，再研究这个平均量是否能够自洽地解释自己。

这里有一个自洽性要求：我们假设背景由平均磁化 $m$ 产生，算出单个磁针在这个背景下的平均方向后，得到的新平均方向仍然应该等于原来的 $m$。这类“假设一个平均量—计算它—要求结果与假设一致”的方程，是平均场方法的核心。

4.3 一个典型的代数改写

考虑 Ising 模型的哈密顿量：

$$H=-J\sum_{\langle i,j\rangle}s_is_j, \qquad s_i=\pm1.$$

把每个自旋写成平均值加偏差：

$$s_i=m+(s_i-m).$$

于是

$$s_is_j =m^2+m(s_i-m)+m(s_j-m)+(s_i-m)(s_j-m).$$

平均场近似忽略最后一个偏差乘积项：

$$(s_i-m)(s_j-m)\approx0.$$

于是

$$s_is_j\approx m(s_i+s_j)-m^2.$$

原来相邻自旋之间的乘积耦合，变成了每个自旋在平均背景中的线性项。

这就是所谓“做手脚”的具体含义：不是随意篡改，而是忽略局部涨落，把两个变量的耦合替换为平均背景下的简单作用。

如果把被忽略的部分重新写出来，就会发现它正是涨落之间的乘积：

$$(s_i-m)(s_j-m).$$

平均场近似并不是说每个涨落为零，而是假设这些局部涨落的乘积对整体结果影响较小。远离临界点时，这个假设往往比较好；接近临界点时，涨落之间出现长距离关联，忽略它们就会产生明显误差。

4.4 从耦合网络到单元问题

近似之后，哈密顿量可以整理成类似这样的形式：

$$H_{\text{MF}} \approx -JzNm^2/2-Jzm\sum_i s_i,$$

其中 $z$ 是每个格点的邻居数，$N$ 是格点总数。

重要的不是系数细节，而是结构改变了：

• 原来的能量包含不同格点之间的乘积 $s_is_j$；
• 平均场之后，每个 $s_i$ 只和同一个平均量 $m$ 相乘；
• 所有单元的问题可以被拆成若干相同的单元问题。

于是配分函数变得可计算，结果可以整理成一个关于 $m$ 和 $T$ 的有效自由能：

$$F(T,m).$$

4.5 平均场的优点与局限

平均场的优点是抓住了整体结构：

• 是否出现有序状态；
• 临界温度大致在哪里；
• 自由能地形何时从单井变双井；
• 序参量如何随温度变化。

它的局限是忽略了空间涨落。

临界点附近，系统会出现很大范围的关联：一个地方的变化会影响很远的地方。此时局部涨落不再是小修正，平均场可能给出错误的临界指数。

这就是为什么平均场给出 $\beta=1/2$，而二维 Ising 模型的精确结果是 $\beta=1/8$。两者关注的是同一类结构，但近似程度不同。

所以不能把平均场理解成“错误答案”。它更像一张结构地图：它告诉我们可能出现什么类型的地形变化、哪个系数需要变号、序参量为什么会从零长出来。至于临界点附近的精确数字，则要进一步处理涨落。

对初学者来说，先学会看这张结构地图是非常重要的。否则一上来就进入更精确的计算，容易得到很多数字，却不知道这些数字在回答什么问题。

4.6 小结

平均场的本质，是牺牲局部细节，换取对整体结构的可计算描述。

它不是把真实系统变成了平均系统，而是构造一个能够近似描述宏观行为的有效模型。

本讲自检

试着用三句话解释平均场：

1. 真实问题难在哪里？
2. 平均场替换了什么？
3. 这个替换保留了什么、丢掉了什么？

一个合格的回答应该同时包含“状态数太多”“具体邻居换成平均背景”“整体趋势保留、局部涨落被忽略”。

第五讲 F 为什么长成这个样子

5.1 先把物理名词拿掉

现在我们有了一个函数：

$$F(T,M).$$

把温度 $T$ 固定，$M$ 是我们可以改变的变量；然后寻找使 $F$ 最小的 $M$。改变 $T$，观察最低点如何变化。

这就是一个带参数的极值问题。

我们暂时不问 $M$ 是磁化强度还是密度差，只问：一个关于 $M$ 的函数，为什么可以写成某种多项式？

5.2 泰勒展开

如果函数在临界点附近足够光滑，可以在 $M=0$ 附近展开：

$$F(T,M)=F(T,0)+a_1(T)M+a_2(T)M^2+a_3(T)M^3+\cdots.$$

这不是说真实自由能在所有地方都等于一个有限多项式，而是说在我们关心的局部区域，可以先研究最低阶的主导项。

“最低阶主导项”是理解临界指数的关键。普通情况下，函数在某点附近通常由二次项控制；如果二次项的系数恰好变成零，四次项就会暂时接管地形。最低阶主导项变了，极值点随参数变化的幂律也会跟着变。

这就是为什么临界点附近会出现平方根、倒数和其他分数幂。它们不是人为规定的奇怪形式，而是极值方程中最低阶项变化后的自然结果。

5.3 对称性删除奇次项

对没有外磁场的铁磁系统，把所有自旋同时翻转，物理情形不变。宏观变量由 $M$ 变为 $-M$，但自由能不能改变：

$$F(M)=F(-M).$$

满足这个关系的函数是偶函数，因此：

$$a_1=a_3=a_5=\cdots=0.$$

于是得到：

$$F(T,M)=F_0(T)+a(T)M^2+b(T)M^4+c(T)M^6+\cdots.$$

对称性不是“让公式更好看”，而是排除了不符合物理等价性的项。

可以把对称性想象成一个函数的镜像检查器。把横轴上的点 $M$ 换成 $-M$，如果物理情形没有改变，那么曲线必须关于纵轴对称。任何带有倾斜方向的奇次项，都会破坏这种镜像关系，因此不能出现在无外场的自由能中。

一旦加入外部磁场，这个对称性会被打破。自由能中可以出现与 $M$ 一次相关的项，例如：

$$F(T,M,h)=F(T,M,0)-hM.$$

这个项会让正方向和负方向不再等价。它也帮助我们理解，为什么一个极其微小的外部扰动，就能让系统最后落入双井中的某一个谷底。

5.4 稳定性要求四次项兜底

如果只保留二次项：

$$F=aM^2,$$

当 $a<0$ 时，函数会随着 $|M|$ 增大而不断下降，不存在稳定最低点。

因此需要一个更高阶的正项，例如：

$$F=aM^2+bM^4, \qquad b>0.$$

当 $|M|$ 很大时，正的四次项占优势，函数重新向上，最低点存在。

这里的“稳定”可以用一个很朴素的测试判断：如果把 $M$ 越推越大，函数最后是否会继续下降？如果会，那么系统没有真正的最低能量状态；如果最终会上升，系统才可能在某个有限位置停下来。

5.5 相变要求二次项变号

如果 $a(T)$ 永远为正，函数总是在 $M=0$ 附近向上，没有结构变化；如果 $a(T)$ 永远为负，系统也不会在某个温度发生从单井到双井的变化。

要让温度触发相变，就要求：

$$a(T)\approx a_0(T-T_c).$$

在临界温度 $T_c$ 以上，$a>0$；在 $T_c$ 以下，$a<0$。于是最小模型是：

$$F(T,M)=F_0(T)+a_0(T-T_c)M^2+bM^4, \qquad b>0.$$

这就是最常见的 Landau 自由能形式。

我们可以直接求导检查它为什么会相变：

$$\frac{\partial F}{\partial M} =2a_0(T-T_c)M+4bM^3.$$

令导数为零，得到：

$$M=0$$

或者

$$M^2=-\frac{a_0(T-T_c)}{2b}.$$

当 $T>T_c$ 时，右侧为负，非零解不存在；当 $T<T_c$ 时，右侧为正，两个非零极值点出现。也就是说，双井并不是从图像上凭感觉画出来的，而是由驻点方程直接产生的。

5.6 它是推导出来的，还是写出来的

两种说法都不完全准确。

它不是从真实铁块中每一个电子的运动轨迹直接精确计算出来的；但它也不是没有依据的随便猜测。

它的形式由以下要求共同决定：

1. 临界附近函数足够光滑，可以展开；
2. 系统具有某种对称性，奇次项被禁止；
3. 自由能必须有稳定最低点；
4. 温度必须能使曲率发生改变，从而产生相变。

具体系数则来自：

• 简化微观模型的计算；
• 平均场近似；
• 更严格的统计方法；
• 实验数据拟合。

所以应当区分：

形式为什么这样，是结构问题；系数究竟是多少，是计算或测量问题。

这一区分也解释了有效理论为什么有用。我们不必先知道一个系统所有微观细节，才有资格讨论它在临界点附近会发生什么。只要知道相关对称性、稳定性和控制变量，就可以先写出允许的最一般形式，再逐步补充具体系数。

这和工程中的模型很像。设计桥梁时，先确定结构必须满足受力和稳定性条件，再确定材料参数和尺寸。结构形式和具体数值是两个层次的问题。

5.7 一个重要的准确性提醒

对磁铁来说，$M\to-M$ 是很直观的对称性。对真实液体和气体，不能不加说明地把密度偏差当作具有完全相同的严格对称性。

液气临界点之所以与 Ising 模型具有相似的临界行为，是因为在临界附近，通过合适的变量选择和有效描述，可以得到相同的主导数学结构。这是普适类的说法，不是说水分子真的存在“向上”和“向下”两种内部状态。

5.8 小结

Landau 自由能的形式不是凭空掉下来的，而是由对称性、稳定性和相变要求共同逼出来的最简有效函数。

本讲自检

看到一个候选自由能时，按下面顺序检查：

1. 有没有不该出现的奇次项？
2. 当变量趋向无穷时，函数是否有稳定下界？
3. 哪个系数会随温度变号？
4. 这个变号是否真的会改变极值点的数量或类型？

这四个问题比背下某个特定版本的 Landau 公式更有迁移价值。

第六讲 相变是自由能地形的变化

6.1 把函数画成地形

现在把 $M$ 放在横轴，把 $F(T,M)$ 当作高度。

自由能最低的地方，就是系统最倾向于停留的宏观状态。于是一个代数极值问题变成了一个很直观的地形问题：

• 谷底代表稳定状态；
• 山顶代表不稳定状态；
• 平坦表示系统对扰动很敏感；
• 两个谷底表示存在两个等价的宏观选择。

6.2 高温：单井

当 $T>T_c$ 时，$a>0$：

$$F(M)=aM^2+bM^4.$$

求导：

$$\frac{\partial F}{\partial M}=2aM+4bM^3 =2M(a+2bM^2).$$

驻点满足：

$$M=0$$

或者

$$M^2=-\frac{a}{2b}.$$

当 $a>0$ 时，后一个式子没有实数解，只有 $M=0$ 这个最低点。自由能地形是单井。

物理上，热运动让局部方向不断变化，整体没有明显偏向。磁铁处于无序的顺磁状态。

从稳定性角度看，原点附近的二阶导数为：

$$F''(0)=2a.$$

高温时它为正，所以原点是局部最低点。我们也可以把曲率理解成“谷底有多硬”：曲率大，偏离原点需要付出明显的自由能代价；曲率变小，系统就更容易被扰动推开。

6.3 临界点：平坦

当 $T=T_c$ 时，$a=0$：

$$F(M)=bM^4.$$

这时在原点附近不再是普通的二次曲线，而是一条更平坦的曲线。二阶导数：

$$\frac{\partial^2F}{\partial M^2}=2a+12bM^2.$$

在 $T=T_c,M=0$ 处，二阶导数为零。地形的曲率消失，系统对微小扰动变得异常敏感。

这就是临界点特殊的直观原因之一。

在临界点附近，任何一个简单的二次近似都变得不够用了。平时我们可以把曲线看成一个普通的碗，使用曲率来描述小范围变化；临界点的碗底太平，四次项和更远范围的涨落开始变得重要。

这也是“临界”这个词的含义：系统处在两个结构之间的边界上，原来控制地形的项刚好失去主导地位。

6.4 低温：双井

当 $T<T_c$ 时，$a<0$。此时非零驻点出现：

$$M_0=\pm\sqrt{-\frac{a}{2b}}.$$

原点变成山顶，两侧出现两个对称谷底。

系统必须在两个方向中选一个。物理规律本身不偏爱正方向或负方向，但任何极小的外界扰动都可能让系统落入其中一个谷底。

这就是自发对称性破缺：规律仍然对称，具体状态却选择了一个方向。

这里必须区分“定律的对称”和“状态的对称”。自由能曲线仍然左右对称，两个谷底高度相同；但系统一次实际测量得到的状态通常会落在左边或右边的某一个谷底，而不会同时处于两个宏观磁化值上。

如果系统足够小，或者存在很强的热涨落，它可能在两个谷底之间来回跳跃；如果系统很大，两个谷底之间的势垒很高，状态一旦落入一个谷底，就会长时间停留在那里。

6.5 临界指数从哪里来

由于

$$a(T)=a_0(T-T_c),$$

在低温侧：

$$M_0 \propto\sqrt{T_c-T}.$$

因此平均场理论给出：

$$M_0\sim(T_c-T)^\beta, \qquad \beta=\frac12.$$

临界指数不是“临界点上的神秘标签”，而是一个普通的幂律指数，表示最低点距离原点靠近的速度。

更精确的理论会考虑临界涨落，三维和二维系统的指数可能偏离平均场值。二维 Ising 模型中，精确结果为 $\beta=1/8$。

6.6 一阶相变与连续相变

连续相变中，最低点随着参数变化连续移动或连续分裂，序参量连续趋近于零。

一阶相变中，可能同时存在两个局部谷底。温度或压力变化时，一个谷底的高度逐渐下降，最终低于另一个谷底。全局最低点从一个谷底跳到另一个谷底，序参量发生跳跃，并可能释放或吸收潜热。

可以用一句话区分：

• 连续相变：最低点的位置连续变化；
• 一阶相变：全局最低点突然换了位置。

一阶相变中还常常出现亚稳态。一个谷底虽然不是全局最低，却仍然是局部最低，系统暂时可以停在那里。要从这个谷底进入真正更低的谷底，往往需要跨过一个自由能势垒。这解释了过冷、过热和相变滞后等现象的直观来源。

6.7 有限系统与热力学极限

严格的相变意味着自由能出现不可导或非解析点。有限系统的配分函数通常是有限个光滑函数之和，所以自由能也保持光滑。

当粒子数趋向无穷：

$$N\to\infty,$$

配分函数的零点可以无限密集，并逼近真实参数轴，极限自由能才可能出现真正的尖角或发散。

现实中的磁铁和水当然不是无限大，但它们的粒子数极其巨大，曲线可以尖锐到实验分辨率看起来像真正跳变。

可以把这个过程类比成一组越来越多边形的曲线。每一条有限系统曲线都没有真正的尖角，但边数增加以后，某个局部区域会越来越像尖角。无限系统并不是现实中必须存在的物体，而是用来定义宏观极限和严格奇异性的数学工具。

杨—李零点提供了另一个视角：有限系统的配分函数零点不落在真实参数轴上，因此自由能光滑；系统规模增大后，零点越来越密集并逼近实轴，极限中才产生非解析性。

6.8 小结

相变的本质，是自由能最低点的结构发生了质变。

单井变双井，中心谷底变成山顶，两个谷底的全局优势发生交换，这些都是相变的数学图像。

本讲自检

请分别用“曲线语言”和“物理语言”描述以下三种情况：

• 单井：一个稳定最低点；
• 双井：两个等价或近似等价的稳定最低点；
• 谷底交换：全局最低点从一个状态跳到另一个状态。

如果你能够在两种语言之间来回翻译，就已经掌握了本书的中心方法。

第七讲 磁铁：磁化强度从哪里来

前六讲建立了相变的骨架。现在不增加新的主线，只把这六步完整走一遍。

7.1 第一步：微观状态

把铁磁材料简化成许多小磁针。第 $i$ 根磁针只有两种状态：

$$s_i=+1\quad\text{或}\quad s_i=-1.$$

一组完整的 $\{s_i\}$ 就是一个微观状态。

相邻磁针倾向于同向排列。最简单的 Ising 模型写成：

$$H(\{s_i\})=-J\sum_{\langle i,j\rangle}s_is_j, \qquad J>0.$$

如果相邻两个磁针同向，$s_is_j=1$，能量贡献为 $-J$，较低；如果反向，$s_is_j=-1$，能量贡献为 $+J$，较高。

这个模型做了两次简化。第一，它把真实原子的磁矩简化成只有两个方向；第二，它只保留相邻磁针之间的主要相互作用。简化并不意味着它没有价值，恰恰因为它把细节压缩到最少，我们才能看清“相变结构”是怎样出现的。

更重要的是，Ising 模型让“有序”变成了一个可以计算的概念：如果很多 $s_i$ 同号，平均值 $m$ 就大；如果正负抵消，$m$ 就接近零。

7.2 第二步：概率与自由能

一个具体排列出现的概率是：

$$p(\{s_i\}) =\frac{e^{-\beta H(\{s_i\})}}{Z}.$$

宏观上我们不追踪每一根磁针，而看平均方向：

$$m=\frac1N\sum_{i=1}^N s_i.$$

当 $m\approx0$ 时，向上和向下大致抵消；当 $m>0$ 时，整体偏向上；当 $m<0$ 时，整体偏向下。

$m$ 就是磁铁的序参量。

序参量不是随便选的一个数字。它必须能够区分我们想研究的两种宏观状态。在磁铁问题中，$m=0$ 表示整体没有方向，$m\neq0$ 表示出现了宏观磁化。

同一个 $m$ 往往对应很多具体排列。例如，平均磁化为零的排列可能有“完全混乱”的，也可能有大片向上区域和大片向下区域。有效自由能的任务，就是把这些具有相同宏观描述的微观排列综合起来。

对应于给定 $m$ 的所有微观排列，可以被压缩成一个宏观自由能：

$$F(T,m).$$

7.3 第三步：配分函数

严格计算需要对所有 $2^N$ 种排列求和：

$$Z=\sum_{\{s_i\}}e^{-\beta H(\{s_i\})}.$$

当 $N$ 很大时，这几乎不可能直接完成。这里使用平均场近似。

这一步解释了为什么不能一开始就只写一个关于 $m$ 的函数。$m$ 是宏观变量，而它的自由能来源于大量微观排列的统计汇总。配分函数是从微观排列走向宏观函数时不能跳过的桥。

7.4 第四步：平均场

令每个磁针感受到的邻居平均方向为 $m$。原来的局部乘积 $s_is_j$ 被近似为：

$$s_is_j\approx m(s_i+s_j)-m^2.$$

于是每个磁针不再与具体邻居纠缠，而只和平均背景场耦合。配分函数得到可处理的近似形式。

这个近似的输入是 Ising 模型的微观哈密顿量，输出是关于宏观磁化 $m$ 的有效自由能。

平均场还会给出一个自洽条件。一个磁针在平均场中受到的偏向，决定它平均有多大概率向上；所有磁针的平均方向又必须重新等于我们一开始假设的 $m$。因此最终会出现一个形式类似的方程：

$$m=\text{某个由 }T\text{ 和 }m\text{ 决定的函数}.$$

在高温时，这个方程通常只有 $m=0$ 的解；低温时，$m=0$ 之外会出现两个对称的非零解。自由能的双井图像和自洽方程的多解结构，是同一个相变的两种表达。

7.5 第五步：对称性塑造自由能

没有外磁场时，把所有磁针同时翻转不会改变相互作用能：

$$s_i\to-s_i.$$

宏观磁化随之变为：

$$m\to-m.$$

所以：

$$F(T,m)=F(T,-m).$$

自由能只能包含偶次项：

$$F(T,m)=F_0(T)+a(T)m^2+b m^4+\cdots.$$

为了稳定，取 $b>0$；为了让温度引发相变，取：

$$a(T)=a_0(T-T_c).$$

这里的 $T_c$ 不应被理解为一个凭空指定的数字。它表示有效自由能二次项从正变负的温度位置。在一个具体模型中，$T_c$ 会由耦合强度、空间维度、邻居数和近似方式共同决定。

7.6 第六步：自由能地形发生变化

高温时，$a>0$，自由能单井，谷底在 $m=0$。磁铁没有宏观磁性。

低温时，$a<0$，自由能双井，谷底在 $m=\pm m_0$。磁铁出现自发磁化。

在临界温度处，中心谷底变平，磁化对温度和外界扰动变得敏感。

所以，磁铁失去磁性不是“磁性被高温烧没了”，而是：

高温使自由能地形的双井结构退化为单井，系统重新回到 $m=0$。

如果此时施加一个很小的外磁场，双井会轻微倾斜。与外场同向的谷底会降低，反向的谷底会升高，系统更容易落入被降低的那一侧。这说明自发磁化并不是违反对称性，而是一个对称地形在实际扰动下做出的选择。

7.7 为什么真实磁铁不完全等于平均场

平均场只保留平均背景，忽略了空间涨落。临界附近，磁针之间的关联范围变大，局部涨落会影响宏观结果。

因此平均场很好地展示了“单井变双井”的结构，却不一定给出真实材料的精确临界指数。不同维度和不同相互作用范围，会产生不同的临界行为。

7.8 这一章真正学到的是什么

磁铁只是一个具体案例。真正重要的是看到六步如何衔接：

$$\text{小磁针排列} \rightarrow H \rightarrow Z \rightarrow \text{平均场} \rightarrow F(T,m) \rightarrow \text{双井与单井} \rightarrow \text{磁性相变}.$$

磁铁案例复盘

现在可以把每一步写成一个问题：

1. 微观世界里有哪些可能的磁针排列？
2. 相邻磁针为什么会让某些排列能量更低？
3. 如何用概率权重比较这些排列？
4. 排列太多时，为什么用平均场把邻居换成背景？
5. 为什么没有外场时自由能必须左右对称？
6. 温度改变后，为什么最低点会从一个变成两个？

如果这六个问题能够顺着回答，磁铁这一章就不只是“举了一个例子”，而是把整本书的推理链真正走通了。

第八讲 水沸腾：液体和气体为什么会变成两种相

磁铁的微观单元是小磁针，水的微观单元是分子。现在再走一次同样的逻辑链。

8.1 第一步：微观状态

水的一个微观状态，需要给出大量分子的位置和速度。分子之间有相互作用：

• 距离较远时，分子之间可能存在吸引；
• 距离太近时，电子云重叠会带来强烈排斥；
• 温度越高，分子的运动越剧烈。

一个完整的微观状态包括所有分子的坐标和动量。其能量可以写成动能与相互作用势能之和：

$$H=\sum_i\frac{p_i^2}{2m} +\sum_{i<j}V(r_i-r_j).$$

这里不需要计算具体的势函数，只要知道分子之间并非完全独立。

这和磁铁的差别很明显。磁铁可以先把每个微观单元压缩成一个二态变量；液体和气体中的分子位置、速度以及相互作用更加连续和复杂。因此，水的微观模型更难精确求解，但“先列出微观状态，再按能量赋予概率”的逻辑完全相同。

8.2 第二步：概率与宏观密度

每个微观状态的概率仍然是：

$$p_i=\frac{e^{-\beta E_i}}{Z}.$$

宏观上，我们不追踪每个分子，而用密度 $\rho$ 描述状态。

为了研究临界点，通常定义相对于临界密度的变量：

$$\phi=\rho-\rho_c.$$

液体和气体的主要差别，就可以用 $\phi$ 的大小来表达：液体密度较高，气体密度较低。

密度是一个很合适的宏观变量，因为它不要求我们知道每个分子在哪里，只需要统计单位体积内平均有多少分子。就像磁铁用平均磁化代替每根小磁针，流体用平均密度代替每个分子的位置。

8.3 第三步：配分函数的困难

水分子数巨大，配分函数需要对所有分子位置和动量积分：

$$Z=\int e^{-\beta H(\{r_i,p_i\})} \,d\{r_i\}\,d\{p_i\}.$$

这个积分在真实三维液体中通常不能直接精确计算。

因此我们使用平均密度或其他有效近似，把所有具体分子排列压缩成一个关于密度的有效自由能：

$$F(T,\rho) \quad\text{或}\quad F(T,\phi).$$

这里“关于密度的自由能”不是说系统真的只有一个密度变量，而是说我们把所有具有相同宏观密度的微观状态汇总在一起，得到一个对密度的有效评分。它和磁铁中 $F(T,m)$ 的角色完全相同。

8.4 第四步：序参量与临界附近的对称结构

在温度高于液气临界温度时，液体和气体之间没有清晰相界，系统可以连续地从高密度变成低密度，这时称为超临界流体。

在临界温度以下，某些条件下自由能会出现两个不同的稳定区域：一个对应较高密度，一个对应较低密度。

真实流体并不具有与磁铁完全相同的严格翻转对称性。不能简单地说，液体和气体就像“正磁化”和“负磁化”一样由一个精确的 $\phi\to-\phi$ 定律联系起来。

更准确的说法是：在临界点附近，经过合适的变量选择和有效描述，液气系统的主导自由能结构与 Ising 模型相似，因此它们属于相同或相关的普适类。

对初学者而言，可以先把它理解为：

微观材料不同，但临界点附近决定变化速度的最低阶结构相似。

这一步很容易被写得过于绝对。液体与气体不是一对严格的“正负状态”，密度也不是一根只能向上或向下的磁针。真正普适的是临界附近的长尺度行为：当我们不再关注分子层面的细节，只观察密度涨落如何在空间传播时，许多微观差异会被压低，主导结构反而变得相似。

8.5 第五步：自由能的两个谷底

在临界附近，可以用一个关于 $\phi$ 的有效自由能描述：

$$F(T,\phi) \approx F_0+a(T)\phi^2+b\phi^4+\cdots.$$

需要强调，这个式子是临界附近的有效表达，不是对一杯真实水的全部分子运动做出的精确闭式解。

高温时，曲线是单井，最低点对应连续变化的超临界流体状态；低于临界温度时，曲线可能出现两个谷底：

• 高密度谷底，代表液相；
• 低密度谷底，代表气相。

当温度接近临界温度时，两个谷底靠拢，液体和气体的密度差连续变小，最终在临界点消失。

可以把两个谷底想象成两种自洽的密度安排。落在高密度谷底时，分子相互靠近并形成液相；落在低密度谷底时，分子分散并形成气相。临界点附近，两个安排之间的差别越来越小，地形无法再把它们清楚地分成两种相。

8.6 日常沸腾与液气临界点不是一回事

日常生活中的水沸腾，通常是在固定大气压下加热。当液体和气体之间的密度出现跳变，并吸收潜热时，这是一级相变。

液气临界点则是另一种特殊情形：在临界温度和临界压力附近，液体与气体的差别连续消失，密度差趋向于零。

因此必须区分：

• 常压下的水沸腾：典型的一阶相变；
• 液气临界点附近：连续临界现象；
• 临界点以上：超临界流体，不再能清楚区分液体和气体。

日常煮水时看到的气泡，还涉及重力、容器表面、杂质和压力等具体条件。书中使用它作为直觉入口，但真正讨论临界行为时，应该把注意力放在液体和气体的平衡、密度差以及自由能结构上，而不是把所有可见气泡都直接等同于临界现象。

8.7 第六步：与磁铁的数学同构

磁铁的序参量是磁化强度 $m$，水的序参量可以取密度偏差 $\phi$。

磁铁的两个谷底代表两种相反磁化；液气系统的两个谷底代表高密度液相和低密度气相。

微观内容不同：一个是自旋相互作用，一个是分子相互作用。但它们在临界附近都可以被描述为：

$$\text{某个带参数函数的最低点结构发生变化}.$$

这就是普适性的第一层直觉：不同系统不必拥有相同的原子和分子，只要控制临界行为的主导数学结构相似，就可能拥有相同的临界指数。

8.8 这一章真正学到的是什么

水的液气相变再次走过了同一条链：

$$\text{分子位置和速度} \rightarrow H \rightarrow Z \rightarrow \text{平均密度近似} \rightarrow F(T,\rho) \rightarrow \text{液相谷底与气相谷底} \rightarrow \text{液气相变}.$$

这次读者应该能清楚看到：自由能并不是只属于磁铁的特殊函数，而是一种把微观统计压缩成宏观判断的通用语言。

水的案例复盘

水的六步可以再次压缩成一组问题：

1. 分子的位置和速度如何构成微观状态？
2. 分子间吸引和排斥如何进入能量？
3. 为什么密度可以作为宏观序参量？
4. 配分函数为什么难算，平均密度近似保留了什么？
5. 为什么临界附近可以出现类似双井的有效结构？
6. 为什么常压沸腾是一阶相变，而液气临界点是连续临界现象？

这组问题把“水的故事”重新接回前六讲，也说明同一套框架不能只靠类比，还必须在具体系统中检查序参量、控制变量和相变类型。

尾声 同一套数学还能走到哪里

1. 临界指数：变化速度的刻度

临界指数回答的是：靠近临界点时，一个量按多快的速度变化？

序参量常写成：

$$M\sim|T-T_c|^\beta.$$

平均场给出 $\beta=1/2$，二维 Ising 模型给出 $\beta=1/8$。不同指数对应不同物理量的变化速度，例如磁化率、关联长度和热容都有自己的幂律。

它们像临界行为的“指纹”，可以帮助我们判断看似不同的系统是否属于同一个普适类。

2. 关联长度：一个变化能传多远

远离临界点，一个位置的变化只影响附近区域，关联长度有限。接近临界点时，影响范围不断扩大，关联长度趋向发散。

这解释了为什么平均场在临界点附近会遇到困难：整个系统中越来越多区域彼此关联，局部涨落不能再被简单地平均掉。

3. 热力学极限：为什么严格相变需要无限大

有限系统的配分函数是有限项的光滑函数之和，通常不会出现真正的非解析性。只有在

$$N\to\infty$$

的极限中，配分函数的零点可以逼近实参数轴，极限自由能才可能出现尖角、不可导或发散。

现实系统虽然有限，但宏观粒子数足够巨大，实际曲线可以尖锐到看起来像真正相变。

4. 杨振宁与二维 Ising 模型

二维 Ising 模型是统计物理中最重要的模型之一。Onsager 得到了零外场下的精确结果，杨振宁进一步得到自发磁化的精确表达式，并由此得到二维模型的非平凡临界指数。

这个历史故事对本书的意义不是让读者记住某个公式，而是说明：Landau 平均场展示了相变的基本地形，精确解则告诉我们空间涨落会怎样改变临界附近的数字。

5. Hopfield 网络：记忆也是能量地形

在 Hopfield 网络中，神经元状态组成高维空间中的一个点。网络定义一个能量函数，记忆模式对应能量低谷。

输入一张有噪声或残缺的图像时，网络通过更新神经元，使能量下降，最终落入某个记忆谷底。这与自由能地形中的“系统寻找稳定最低点”具有相似结构。

这不是说神经网络就是一块磁铁，而是说明同一个数学视角可以迁移：

状态、能量、最低点、涨落和跃迁，是许多复杂系统共同使用的语言。

结语 重新看一眼相变

现在回头看水沸腾和磁铁失磁，它们不再是两个孤立的知识点。

你可以对任何一个系统依次提出六个问题：

1. 它有哪些微观状态？
2. 每个状态的能量如何定义？
3. 状态概率如何由能量和温度决定？
4. 配分函数如何把这些状态打包？
5. 真实系统算不动时，怎样得到一个有效自由能？
6. 这个自由能的最低点随参数如何变化？

如果这六个问题能够连起来，相变理论就不再是一串从天上掉下来的公式：

$$\text{微观状态} \rightarrow \text{概率} \rightarrow Z \rightarrow F \rightarrow F(T,M) \rightarrow \text{单井与双井} \rightarrow \text{相变}.$$

最终可以用一句话记住全书：

相变不是物质突然改变了名字，而是描述它的自由能函数，在控制参数变化时改变了最低点的结构。