部分可访问马尔可夫网络中的热力学推断：基于转移等待时间分布的统一视角
统计力学
2022-08-19 v2
摘要
从仅部分可访问的物理系统描述中推断热力学量，是随机热力学中的核心挑战。一种常见方法是粗粒化，将此类系统的动力学映射为降维的有效动力学。尽管将系统状态粗粒化为复合状态是已被充分研究的概念，近期证据暗示可通过考虑可观测转移与等待时间给出一种互补描述。本工作中，我们考虑部分可观测马尔可夫网络中两次连续转移之间的等待时间分布。我们利用这些分布的比值构造熵估计量以量化不可逆性。依据底层网络的复杂度，我们给出判据以推断该熵估计量是恢复了完整物理熵产生，还是仅提供了优于既有结果的下界。这一基于底层循环不可逆性的概念性方法，还使我们能够推导网络拓扑的估计量，即隐藏循环的存在、其状态数及其驱动亲和势。采用等价的半马尔可夫描述，我们的结果可凝练为相应半马尔可夫过程的涨落定理。该数学视角为本文所考虑的熵估计量及早前已建立的估计量提供了统一框架。正确时间反演版本的关键作用有助于澄清近期关于形式不可逆性与物理不可逆性含义的争论。基于直接评估等待时间分布的广泛数值计算说明了我们的精确结果，并给出了隐藏循环亲和势界限质量的估计。
引用
@article{arxiv.2203.12020,
title = {Thermodynamic inference in partially accessible Markov networks: A unifying perspective from transition-based waiting time distributions},
author = {Jann van der Meer and Benjamin Ertel and Udo Seifert},
journal= {arXiv preprint arXiv:2203.12020},
year = {2022}
}