前言

本征是什么?
满足Aα=λαA\alpha = \lambda \alphaAα=λα的就是本征,其中A是映射/线性运算符,α\alphaα是本征矢量(特征矢量),λ\lambdaλ是本征值(特征值)
本征方程:∂y∂x=Py本征方程:\frac{\partial y}{\partial x} =Py本征方程:∂x∂y​=Py

物理学中出现了矢量,而本征和矢量有关,所以物理学很多方程都能化成本征形式。能化成本征形式的运算,说明是线性的,对加法和数乘封闭,即加和数乘运算中的所有数都在运算的线性空间里。

上一篇动力学变量里,并没有怎么求运算符的本征右矢量、本征值的方法,虽然说类似矩阵分析,但是毕竟有左右矢量之分,还是不同的,所以解法也会有所差异。


目录

  • 前言
  • 可观测量
    • 实动力学变量
    • 什么是可观测量
    • 可观测量确定系统的态
    • 积分有意义的条件
  • 可观测量的函数
  • 可观测量的倒数
  • 可观测量的平方根
  • 物理解释
    • 概率
    • 本征态

可观测量

实动力学变量

任何可以观测到的动力学变量都是实数。

无法通过两次测量得到实部的动力学变量和虚部的动力学变量,从而得到复的动力学变量。
——因为无法观测两次

如果两次是严格同时的,那么这实际上还是一次。如果是相继观测的,那么前一次观测会给第二次观测带来不确定性。

\;
\;
\;

什么是可观测量

满足下面条件的线性运算符ξ\xiξ就是可观测量:

∣P⟩=∫∣γ1c⟩dγ1+∑r∣γrd⟩(1)|P\rangle=\int |\gamma_1c\rangle \;d\gamma_1 + \sum_r |\gamma_r \;d\rangle \qquad \qquad (1)∣P⟩=∫∣γ1​c⟩dγ1​+r∑​∣γr​d⟩(1)

∣γ1c⟩=∣γ1⟩|\gamma_1c\rangle = |\gamma_1\rangle∣γ1​c⟩=∣γ1​⟩
∣γrd⟩=∣γr⟩|\gamma_r d\rangle = |\gamma_r \rangle∣γr​d⟩=∣γr​⟩

其中c,dc,dc,d只是记号,为了在γ1=γr\gamma_1 = \gamma_rγ1​=γr​时区分两个右矢量。

\;
\;
\;

(1)(1)(1)公式表明:

任何右矢量∣P⟩|P\rangle∣P⟩都可以表示为线性运算符ξ\xiξ本征右矢量积分加上本征右矢量的求和。

什么意思,上一篇明明只有求和???

因为有这么一种情况,线性运算符ξ\xiξ的本征值γ\gammaγ是由一个范围的数 + 范围外的分立的数组成。

方程扩展了,包含更多的情况,也就多了一项。
\;
\;
\;

可观测量确定系统的态

实动力学变量ξ\xiξ是个可观测量,有有限个本征值γ1,γ2,...,γn\gamma_1,\gamma_2,...,\gamma_nγ1​,γ2​,...,γn​,则

(ξ−γ1)(ξ−γ2)....(ξ−γn)⋅∣P⟩=0(\xi - \gamma _ 1)(\xi - \gamma _ 2)....(\xi - \gamma _ n) · |P\rangle=0(ξ−γ1​)(ξ−γ2​)....(ξ−γn​)⋅∣P⟩=0

方程对所有∣P⟩|P\rangle∣P⟩成立(我也不知道为什么),所以

(ξ−γ1)(ξ−γ2)....(ξ−γn)=0(\xi - \gamma _ 1)(\xi - \gamma _ 2)....(\xi - \gamma _ n)=0(ξ−γ1​)(ξ−γ2​)....(ξ−γn​)=0

\;
\;

例如,对于线性运算符∣A⟩⟨A∣|A\rangle\langle A|∣A⟩⟨A∣,∣A⟩|A\rangle∣A⟩是归一化了的右矢量,⟨A∣A⟩=1\langle A|A\rangle = 1⟨A∣A⟩=1,有

{∣A⟩⟨A∣}2=∣A⟩⟨A∣A⟩⟨A∣=∣A⟩⟨A∣\{ |A\rangle\langle A| \}^2 = |A\rangle\langle A|A\rangle\langle A| = |A\rangle\langle A|{∣A⟩⟨A∣}2=∣A⟩⟨A∣A⟩⟨A∣=∣A⟩⟨A∣
(∣A⟩⟨A∣−0)(∣A⟩⟨A∣−1)=0(|A\rangle\langle A| - 0)(|A\rangle\langle A| - 1)=0(∣A⟩⟨A∣−0)(∣A⟩⟨A∣−1)=0

因为,线性运算符∣A⟩⟨A∣|A\rangle\langle A|∣A⟩⟨A∣满足一个代数方程,也是可观测量。她的本征值为0,1。∣A⟩|A\rangle∣A⟩是本征值1的本征右矢量,与∣A⟩|A\rangle∣A⟩正交的本征右矢量都是属于0的本征右矢量。

所以,如果系统处于∣A⟩|A\rangle∣A⟩的态,测量肯定能得到1的结果。

如果系统处于与∣A⟩|A\rangle∣A⟩正交的态,测量肯定得到0的结果。

\;
\;

积分有意义的条件


(书上这个地方推导看不懂)

\;
\;
\;

可观测量的函数

可观测量ξ\xiξ的任意实函数f(ξ)f(\xi)f(ξ),当做是新的可观测量,当测量ξ\xiξ时,也就测量了f(ξ)f(\xi)f(ξ)

我们限制可观测量ξ\xiξ必须是实动力学变量,但是不必限制f(ξ)f(\xi)f(ξ)是实的!!!

f(ξ)f(\xi)f(ξ)(可以)是复函数

当测量ξ\xiξ得到结果γ\gammaγ时,同时就测量了f(ξ)f(\xi)f(ξ)的实部和虚部,得到了结果为f(γ)f(\gamma)f(γ)的实部和虚部

ξ\xiξ是线性运算符,f(ξ)f(\xi)f(ξ)也是线性运算符,则

f(ξ)∣γ⟩=f(γ)∣γ⟩(1)f(\xi) | \gamma \rangle = f(\gamma) |\gamma \rangle \qquad\qquad\qquad\qquad\qquad (1)f(ξ)∣γ⟩=f(γ)∣γ⟩(1)

测量的结果是本征值,f(γ)f(\gamma)f(γ)是数,但f(ξ)f(\xi)f(ξ)是线性运算符,也就是说ξ\xiξ也不是数,是一种关系。

(1)乘以任意右矢量为

f(ξ)∣P⟩=∫f(γ)∣γc⟩dγ+∑rf(γr)∣γrd⟩(2)f(\xi)|P\rangle = \int f(\gamma) |\gamma \;c\rangle d \gamma + \sum_r f(\gamma _r)|\gamma_r \; d\rangle \qquad\qquad (2)f(ξ)∣P⟩=∫f(γ)∣γc⟩dγ+r∑​f(γr​)∣γr​d⟩(2)

由(1)左右求共轭,得到f(ξ)f(\xi)f(ξ)的共轭f(ξ)‾\overline{f(\xi)}f(ξ)​

⟨γ∣f(ξ)‾=f‾(γ)⟨γ∣(3)\langle \gamma | \overline{f(\xi)} = \overline{f}(\gamma)\langle \gamma | \qquad\qquad (3)⟨γ∣f(ξ)​=f​(γ)⟨γ∣(3)

共轭关系(线性运算符):f(ξ)⇔f(ξ)‾共轭关系(线性运算符): f(\xi) \Leftrightarrow \overline{f(\xi)}共轭关系(线性运算符):f(ξ)⇔f(ξ)​
共轭关系(数):f(γ)⇔f‾(γ)共轭关系(数): f(\gamma) \Leftrightarrow \overline{f} (\gamma)共轭关系(数):f(γ)⇔f​(γ)

经过一通推导——把(3)中的γ\gammaγ缓成γ2\gamma_2γ2​,再在(3)左右右乘∣P⟩|P\rangle∣P⟩,结合(2)可推导出

f(ξ)‾=f‾(ξ)\overline{f(\xi)} = \overline{f}(\xi)f(ξ)​=f​(ξ)

f(ξ)的共轭是ξ的共轭复函数f‾f(\xi)的共轭是\xi的共轭复函数\overline{f}f(ξ)的共轭是ξ的共轭复函数f​

\;
\;
\;

可观测量的倒数

α\alphaα如果没有为0的本征值,那么其倒数可以表示为α−1或1/α\alpha ^ {-1}或 1/\alphaα−1或1/α

α−1∣β⟩=β−1∣β⟩\alpha ^ {-1}| \beta \rangle = \beta ^{-1} |\beta \rangleα−1∣β⟩=β−1∣β⟩

其中∣β⟩|\beta\rangle∣β⟩是α\alphaα的本征态

式子两边乘以α\alphaα为

αα−1∣β⟩=αβ−1∣β⟩\alpha\alpha ^ {-1}| \beta \rangle =\alpha \beta ^{-1} |\beta \rangle αα−1∣β⟩=αβ−1∣β⟩

右边αβ−1=1\alpha \beta ^{-1}=1αβ−1=1,因为α\alphaα是线性运算符,而β\betaβ是其对应的本征值,所以αβ−1=1\alpha \beta ^{-1}=1αβ−1=1

比如Aα=λαA\alpha = \lambda \alphaAα=λα,两边都成上λ−1\lambda ^{-1}λ−1后,得到Aλ−1=1A\lambda^{-1}=1Aλ−1=1

αα−1=1=α−1α\alpha \alpha ^{-1} = 1 = \alpha ^{-1} \alphaαα−1=1=α−1α

综上,有乘法法则如下

(αβγ...)−1=...γ−1β−1α−1(\alpha \beta \gamma ...)^{-1} = ... \gamma^{-1} \beta^{-1} \alpha^{-1} (αβγ...)−1=...γ−1β−1α−1

\;
\;
\;

可观测量的平方根

可观测量的平方根始终存在,当她没有负的本征值的时候,她的平方根就是实数的。

α∣β⟩=±β∣β⟩\sqrt{ \alpha }| \beta \rangle = \pm \sqrt{ \beta } |\beta \rangleα​∣β⟩=±β​∣β⟩

可推导出
αα=1\sqrt{\alpha}\sqrt{\alpha}=1α​α​=1

由于第一个方程的正负性,会有很大平方根。为了固定其中某个,必须为方程的每个本征值确定一个具体的符号

这个符号可能从一个本征值到另一个本征值,不规则地变化。

\;
\;

一个可观测量的不同的平方根有2n2^n2n个,非零的本征值有nnn个。

平方根函数仅仅用于那些没用负本征值的可观测量,所以平方根总是取正的。

\;
\;
\;

物理解释

有这样一个可观测量ξ\xiξ,她有任意两个状态x,yx,yx,y,她们分别对应矢量⟨x∣和∣y⟩\langle x|和|y\rangle⟨x∣和∣y⟩,组合成一个

⟨x∣ξ∣y⟩\langle x| \xi |y \rangle⟨x∣ξ∣y⟩

这个数与经典理论中的数不同,因为

  1. 通常这个数⟨x∣ξ∣y⟩\langle x| \xi |y \rangle⟨x∣ξ∣y⟩不是实数,而经典理论中测量的数都是实数
  2. 这个数⟨x∣ξ∣y⟩\langle x| \xi |y \rangle⟨x∣ξ∣y⟩与系统两个态有关,而经典理论只与一个数有关
  3. 这个数⟨x∣ξ∣y⟩\langle x| \xi |y \rangle⟨x∣ξ∣y⟩不能由可观测量ξ\xiξ与态唯一确定,因为两个矢量⟨x∣和∣y⟩\langle x |和 | y \rangle⟨x∣和∣y⟩包含任意的数值因子,就算归一化了,还是有一个模为1的时间因子e−iEnt/ℏe^{-iE_nt / \hbar}e−iEn​t/ℏ

当两个矢量⟨x∣和∣y⟩\langle x|和|y\rangle⟨x∣和∣y⟩互为共轭的时候,数为⟨x∣ξ∣x⟩\langle x|\xi|x \rangle⟨x∣ξ∣x⟩必定是实数!能够当⟨x∣\langle x |⟨x∣归一化后,被唯一确定!!!

因为当用因子eice^{ic}eic乘上⟨x∣\langle x |⟨x∣,就必须用因子e−ice^{-ic}e−ic乘上∣x⟩| x \rangle∣x⟩,这样数还是不变!!!(其中c是实数,c=Entℏc = \frac{E_nt }{\hbar}c=ℏEn​t​)

\;
\;
\;
\;
⟨x∣ξ∣x⟩+⟨x∣η∣x⟩=⟨x∣ξ+η∣x⟩\langle x|\xi | x\rangle + \langle x|\eta | x\rangle = \langle x|\xi + \eta| x\rangle⟨x∣ξ∣x⟩+⟨x∣η∣x⟩=⟨x∣ξ+η∣x⟩
⟨x∣ξ∣x⟩∗⟨x∣η∣x⟩≠⟨x∣ξ∗η∣x⟩\langle x|\xi | x\rangle * \langle x|\eta | x\rangle \ne \langle x|\xi * \eta| x\rangle⟨x∣ξ∣x⟩∗⟨x∣η∣x⟩​=⟨x∣ξ∗η∣x⟩
\;
\;
对于∣x⟩|x\rangle∣x⟩的态的系统,测量许多次ξ\xiξ ——

  • 当∣x⟩|x\rangle∣x⟩没有归一化时,测量ξ\xiξ的结果γ\gammaγ正比于⟨x∣ξ∣x⟩\langle x|\xi|x \rangle⟨x∣ξ∣x⟩

  • 当∣x⟩|x\rangle∣x⟩有归一化时,多次测量ξ\xiξ的结果γ\gammaγ的平均值为⟨x∣ξ∣x⟩\langle x|\xi | x\rangle⟨x∣ξ∣x⟩

一般,我们不能说可观测量对某一个定态有一个值,但可以说可观测量对这个态有一个平均值!

可观测量对这个态有一个确定的概率
\;
\;
\;

概率

一个可观测量ξ\xiξ对应一个归一化了的右矢量∣x⟩|x\rangle∣x⟩,那么

ξ\xiξ的平均值为⟨x∣ξ∣x⟩\langle x|\xi|x \rangle⟨x∣ξ∣x⟩,f(ξ)f(\xi)f(ξ)的平均值为⟨x∣f(ξ)∣x⟩\langle x| f(\xi) |x \rangle⟨x∣f(ξ)∣x⟩
令函数f(ξ)f(\xi)f(ξ)是这样的函数,即在ξ=a\xi = aξ=a时,f(ξ)=1f(\xi)=1f(ξ)=1,其他情况为零

——竟然是个冲激函数!!!

记做δξa\;\;\;\delta_{\xi a}\quadδξa​ 这个ξ\xiξ的函数的平均值恰好是ξ\xiξ取a的概率,为

Pa=⟨x∣δξa∣x⟩(1)P_a = \langle x | \delta _{\xi a} | x \rangle \qquad \qquad \qquad \qquad \;\;\;\; (1)Pa​=⟨x∣δξa​∣x⟩(1)

ξ\xiξ在很小的范围内a→a+daa \rightarrow a+daa→a+da的概率为

P(a)da=⟨x∣X(ξ)∣x⟩⟩(2)P(a)da = \langle x|X(\xi)|x \rangle \rangle \qquad \qquad \qquad (2)P(a)da=⟨x∣X(ξ)∣x⟩⟩(2)

如果这个范围内没有ξ\xiξ的任何本征值,那么有X(ξ)=0,P(a)=0X(\xi)=0,P(a)=0X(ξ)=0,P(a)=0

如果∣x⟩|x\rangle∣x⟩没有归一化,那么(1)右边还是正比于 xixixi取a的概率,(2)右边还是正比于xixixi在a→a+daa\rightarrow a+daa→a+da之间的概率。
\;

本征态

(1)如果系统处于ξ\xiξ的本征态,属于本征值γ\gammaγ,则测量ξ\xiξ必定得到结果为γ\gammaγ

(2)如果∣γ⟩| \gamma \rangle∣γ⟩是ξ\xiξ的本征右矢量,属于本征值γ\gammaγ。那么

\;\;\;\;\;\;\;\;①当ξ\xiξ有离散本征值的情况下,δξa∣γ⟩=0,(γ≠a)\delta_{\xi a} |\gamma \rangle = 0,(\gamma \ne a)δξa​∣γ⟩=0,(γ​=a)

\;\;\;\;\;\;\;\;②当ξ\xiξ有连续本征值的情况下,X(ξ)∣γ⟩=0,(γ∉[a,a+da])X(\xi) |\gamma \rangle = 0,(\gamma \notin [ a, a+da])X(ξ)∣γ⟩=0,(γ∈/​[a,a+da])

\;\;\;\;\;\;\;\;无论是①还是②,对于∣γ⟩|\gamma\rangle∣γ⟩的态,γ\gammaγ肯定是ξ\xiξ的结果,ξ\xiξ肯定是γ\gammaγ的值

\;
\;

现实世界,ξ\xiξ只能处于γ\gammaγ附近的一个很窄的区域,ξ\xiξ不能精确等于γ\gammaγ,此时系统处于接近与ξ\xiξ本征态的态!!!

一个本征态∣γ⟩|\gamma\rangle∣γ⟩属于连续区域内的某一个本征值γ\gammaγ,这只是数学的理想化

那些无法实现的态对应的右矢量,长度无穷大。
所有能实现的态,都对应于那些可以归一化的右矢量,这些右矢量构成一个Hilbert空间

\;
\;
\;

\;
\;
\;

【狄拉克量子力学原理】【3】可观测量,什么是本征(特征),可观测量对态的概率相关推荐

  1. 【狄拉克量子力学原理】【4】对易,相容

    前言 目录 前言 对易和相容 相容 对易和相容 一个态可以是两个可观测量的本征态 假设可观测量有ξ,η\xi,\etaξ,η,对应右矢量∣A⟩|A\rangle∣A⟩,分别的本征值γ,τ\gamma, ...

  2. 【狄拉克量子力学原理】【2】动力学变量

    前言 生活好无聊啊,懒人也配享受生活吗,不配,所以我好无聊啊.又被群里大佬骂了,知识不行确实没法接啊,我就是因为编译器做不下去才暂时不做了嘛. 目录 前言 线性运算符 线性运算符对应该时刻的动力学变量 ...

  3. DeepMind开源薛定谔方程求解程序:从量子力学原理出发,TensorFlow实现

    晓查 发自 凹非寺  量子位 报道 | 公众号 QbitAI 只要解出薛定谔方程,你就能预测分子的化学性质.但现实很骨感,迄今为止,科学家只能精确求解一个电子的氢原子,即使是只有两个电子的氦原子都无能 ...

  4. python解zuobiaoxi方程_DeepMind开源薛定谔方程求解程序:从量子力学原理出发,TensorFlow实现_IT新闻...

    晓查发自凹非寺 量子位报道公众号 QbitAI 只要解出薛定谔方程,你就能预测分子的化学性质.但现实很骨感,迄今为止,科学家只能精确求解一个电子的氢原子,即使是只有两个电子的氦原子都无能为力. 原因是 ...

  5. 量子通信利用量子力学原理产生密钥对信息进行加密和解密,并采用量子纠缠效应进行密钥分发,被认为是当今最安全的通信系统.有两项特性,一个是不可分割,一个是不可复制...

    中国量子通信第一人详解量子通信技术 2016-08-16 半导体行业观察 尖端科技背后的故事 量子通信是基于量子力学基本原理的前沿技术.近年来,以潘建伟团队为代表的中国科学家在量子通信领域取得了举世瞩 ...

  6. python卡方检验筛选特征原理_基于Python的遥感特征筛选—递归特征消除(RFE)与极限树(Extra-Trees)...

    引言 基于前几篇文章关于筛选方法的介绍,本篇同样给大家介绍两种python封装的经典特征降维方法,递归特征消除(RFE)与极限树(Extra-Trees, ET).其中,RFE整合了两种不同的超参数, ...

  7. python随机森林特征重要性原理_用随机森林进行特征重要性度量,筛选出来的重要特征是否只对该随机森林来说是重要的,而对其他模型不一定?...

    你的问题可以给出肯定的回答,重要性本来就是一个依赖于模型的指标,一些指标对模型A重要,但对B未必重要. 举个很简单的例子,在欧式距离中,量纲很重要,数值大距离就大数值小距离就小.而在余弦夹角表示距离时 ...

  8. 神经网络的参数迁移和共同本征态

    神经网络的衰变假设:被概率密度表达的粒子A和B彼此互为粒子和环境,在相互作用中被彼此微扰产生衰变,衰变产物是B化A和A化B,网络的分类准确率是两个粒子衰变剩余的算术和pave=Σpr. (A,B)-- ...

  9. 神经网络的分类准确率是连续的吗?

    设一个测试集有n张图片,则这个网络的分类准确率只能是(n-x)/n,而n和x只能是整数,因此这个网络的分类准确率只能是一个有理分数,不可能是一个连续值. 神经网络的衰变假设:被概率密度表达的粒子A和B ...

最新文章

  1. 智能文档理解:通用文档预训练模型
  2. echarts数据变了不重新渲染,以及重新渲染了前后数据会重叠渲染的问题
  3. linux 下C调用Python 模块
  4. 【大牛招生】李飞飞的实验室招人了!不限专业,有跨学科研究经验优先
  5. markdown编辑器语法——背景色
  6. JDK自带的实用工具native2ascii.exe
  7. c++命令模式command
  8. apache php mysql 开发_Wndows下Apache+php+Mysql环境的搭建及其涉及的知识(转)
  9. 博客刚开通,先转载几篇,请见谅
  10. 微软开源可扩展存储引擎Extensible Storage Engine
  11. python基本运算符_06-Python基础知识学习---基本运算符
  12. 小汤学编程之JAVA基础day04——流程结构
  13. 带你读AI论文丨用于目标检测的高斯检测框与ProbIoU
  14. linux 搭建go编译环境搭建,linux上搭建完整go语言vim开发环境
  15. Leetcode 931.下降路径最小和
  16. mysql 面试题笔记_MYSQL面试题(摘抄/个人笔记)
  17. AVPlayer设置从哪儿开始播放
  18. WDF 驱动程序echo安装
  19. 最新【2021.1.28】今日头条_signature 分析
  20. tableau高级绘图(十二)-tableau绘制辐射堆叠图

热门文章

  1. heartbleed_Heartbleed:这是什么,您应该怎么做?
  2. 什么是数字电路和数字系统?
  3. Galerkin与深度学习结合的算法求解PDE
  4. IE地址栏另类妙用十则
  5. 医用无线服务器,上海医用显示屏
  6. 华为matebook和linux版本区别,华为MateBook D和X的差别是什么
  7. 【Xlinx】【ZynqMP】petalinux2020.1版本QSPI FLASH启动linux教程
  8. 常见面试题之缓存雪崩、缓存击穿、缓存穿透(redis)
  9. 定一个小目标,明年存款破10万
  10. R语言使用epiDisplay包的tableStack函数基于分组变量生成统计分析表(包含描述性统计分析、假设检验、不同数据使用不同的统计量和假设检验方法)、自定义指定Bartlett检验的p值水平