书接上回：
CTRW的化学主方程推导(上)
定义
m s m_{s} ms：代表不同物种的个数
m r m_{r} mr：代表不同反应的个数，物种与反应共同组成一个反应系统。
S j S_{j} Sj：代表不同的物种， j j j的取值从1到 m s m_{s} ms
n j n_{j} nj：物种 S j S_{j} Sj对应的粒子数
n = ( n 1 , ⋯ , n m s ) T \mathbf{n}=\left(n_{1}, \cdots, n_{m_{s}}\right)^{\mathrm{T}} n=(n1,⋯,nms)T：粒子数目的状态向量
r i j ∈ N ( p i j ∈ N ) r_{i j} \in \mathbb{N}\left(p_{i j} \in \mathbb{N}\right) rij∈N(pij∈N)：经过反应 i i i后 n j n_{j} nj的变化量。
s j ˉ = p i j − r i j s_{\bar{j}}=p_{i j}-r_{i j} sjˉ=pij−rij：化学计量系数，代表物种 j j j经过反应 i i i后的粒子数目变化
根据以上定义，我们可以把反应 i i i对于状态空间的影响表示为 ∑ j r i j S j → ∑ j p i j S j \sum_{j} r_{i j} S_{j} \rightarrow \sum_{j} p_{i j} S_{j} ∑jrijSj→∑jpijSj
推广的化学主方程
上一回我们得到了这条式子：
P ( n , t ) = ∫ 0 t ∑ k = 0 ∞ R k ( n , t ′ ) ∑ i = 1 m r ∫ t − t ′ ∞ ϕ i ( t ′ ′ ; n ) d t ′ ′ d t ′ P(\mathbf{n}, t)=\int_{0}^{t} \sum_{k=0}^{\infty} R_{k}\left(\mathbf{n}, t^{\prime}\right) \sum_{i=1}^{m_{r}} \int_{t-t^{\prime}}^{\infty} \phi_{i}\left(t^{\prime \prime} ; \mathbf{n}\right) d t^{\prime \prime} d t^{\prime} P(n,t)=∫0tk=0∑∞Rk(n,t′)i=1∑mr∫t−t′∞ϕi(t′′;n)dt′′dt′
其中， R k ( n , t ) = ⟨ δ n , N k δ ( T k − t ) ⟩ R_{k}(\mathbf{n}, t)=\left\langle\delta_{\mathbf{n}, \mathbf{N}_{k}} \delta\left(T_{k}-t\right)\right\rangle Rk(n,t)=⟨δn,Nkδ(Tk−t)⟩是经历 k k k步反应后在 t t t时刻状态为 n \mathbf{n} n的联合密度， R ( n , t ) = ∑ k = 0 ∞ R k ( n , t ) R(\mathbf{n}, t)=\sum_{k=0}^{\infty} R_{k}(\mathbf{n}, t) R(n,t)=∑k=0∞Rk(n,t)是经历任意步反应后在 t t t时刻状态为 n \mathbf{n} n的概率密度。此外，我们还得到了一些递增关系。
那么接下来我们就继续从这里入手，递增关系暗含了未来的状态只取决于当前的状态，与过去历史的状态无关，所以这是一个关于步数 k k k的马尔科夫过程，对应的联合概率密度就是 R k ( n , t ) R_{k}(\mathbf{n}, t) Rk(n,t)满足 Chapamn-Kolmogorov 方程：
R k + 1 ( n , t ) = ∫ 0 t ∑ i = 1 m r R k ( n − s i , t ′ ) ϕ i ( t − t ′ ; n − s i ) d t ′ R_{k+1}(\mathbf{n}, t)=\int_{0}^{t} \sum_{i=1}^{m_{r}} R_{k}\left(\mathbf{n}-\mathbf{s}_{i}, t^{\prime}\right) \phi_{i}\left(t-t^{\prime} ; \mathbf{n}-\mathbf{s}_{i}\right) d t^{\prime} Rk+1(n,t)=∫0ti=1∑mrRk(n−si,t′)ϕi(t−t′;n−si)dt′
继续记 R 0 ( n , t ) = ⟨ δ n , N 0 δ ( T 0 − t ) ⟩ = P ( n , 0 ) δ ( t ) R_{0}(\mathbf{n}, t)=\left\langle\delta_{\mathbf{n}, \mathbf{N}_{0}} \delta\left(T_{0}-t\right)\right\rangle=P(\mathbf{n}, 0) \delta(t) R0(n,t)=⟨δn,N0δ(T0−t)⟩=P(n,0)δ(t)，注意到 P ( n , t ) P(\mathbf{n}, t) P(n,t)的表达式以及Chapamn-Kolmogorov方程都是卷积形式，所以我们可以使用Laplace 变换得到：
R ~ ( n , λ ) = P ( n , 0 ) + ∑ i = 1 m r R ~ ( n − s i , λ ) ϕ ~ i ( λ ; n − s i ) P ~ ( n , λ ) = R ~ ( n , λ ) 1 − ∑ i = 1 m r ϕ ~ i ( λ ; n ) λ \tilde{R}(\mathbf{n}, \lambda)=P(\mathbf{n}, 0)+\sum_{i=1}^{m_{r}} \tilde{R}\left(\mathbf{n}-\mathbf{s}_{i}, \lambda\right) \tilde{\phi}_{i}\left(\lambda ; \mathbf{n}-\mathbf{s}_{i}\right) \\ \tilde{P}(\mathbf{n}, \lambda)=\tilde{R}(\mathbf{n}, \lambda) \frac{1-\sum_{i=1}^{m_{r}} \tilde{\phi}_{i}(\lambda ; \mathbf{n})}{\lambda} R~(n,λ)=P(n,0)+i=1∑mrR~(n−si,λ)ϕ~i(λ;n−s
最低0.47元/天 解锁文章
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
