Van Hove 关联函数的公式是
\[\rho G\left(\mathbf{r}, \mathbf{r}^{\prime} ; t\right)=\left\langle\sum_{\color{orange}i=1}^{N} \sum_{\color{teal}j=1}^{N} \delta\left(\mathbf{r}^{\prime}+\mathbf{r}-\mathbf{r}_{\color{orange}i}(t)\right) \delta\left(\mathbf{r}-\mathbf{r}_{\color{teal}j}(0)\right)\right\rangle\]它的大概意思是,如果在 $t=0$ 时刻粒子 $\color{teal}j$ 处于位置 $\bf{r}$,那么在 $t=t$ 时刻在位置 $\bf{r + r^{\prime}}$ 找到某个粒子 $\color{orange} i$ 的「平均」次数。1
这个公式实际上计算的是 密度 在「时间和空间上」的关联,也可以写成
\[\rho G\left(\mathbf{r}, \mathbf{r}^{\prime} ; t\right)=\left\langle\rho\left(\mathbf{r}^{\prime}+\mathbf{r}, t\right) \rho\left(\mathbf{r}^{\prime}, 0\right)\right\rangle\]对于均匀分布的系统,这个关联函数只取决于 $\bf{r}$ 与 $\bf{r^{\prime}}$ 的相对距离(因为任何的位置 $\bf{r}$ 都是相同的)。如果我们用 $\bf{\color{tomato}r}$ 表示距离,则我们可以把关联公式通过积分改写成
\[G(\mathbf{\color{tomato}r}, t)=\frac{1}{N}\left\langle\sum_{\color{orange}i=1}^{N} \sum_{\color{teal}j=1}^{N} \delta\left(\mathbf{\color{tomato}r}-\mathbf{r}_{\color{orange}i}(t)+\mathbf{r}_{\color{teal}j}(0)\right)\right\rangle\]它的意思大概是,找到 $t=0$ 时的粒子 $\color{teal}j$;$t=t$ 时的粒子 $\color{orange} i$;并且两个粒子的距离为 $\bf{\color{tomato}r}$ 的概率。
如果 $t=0$,那么我们有
\[\begin{aligned} G(\mathbf{\color{tomato}r}, 0) &= \frac{1}{N}\left\langle\sum_{\color{orange}i=1}^{N} \sum_{\color{teal}j=1}^{N} \delta\left(\mathbf{\color{tomato}r}-\mathbf{r}_{\color{orange}i}(0)+\mathbf{r}_{\color{teal}j}(0)\right)\right\rangle\\[0.5em] &=\delta(\mathbf{\color{tomato}r}) + \rho \ g(\mathbf{\color{tomato}r}) \end{aligned}\]注意上面 $ G(\mathbf{\color{tomato}r}, 0) $ 和径向分布函数 $ g(\mathbf{\color{tomato}r}) $ 的关系。
我们可以把 Van Hove 关联函数拆分成 self 部分和 distinct 部分,
\[\begin{aligned} G_\textsf{self}(\mathbf{\color{tomato}r}, t) &=\frac{1}{N}\left\langle\sum_{\color{orange}i=1}^{N}\delta\left(\mathbf{\color{tomato}r}-\mathbf{r}_{\color{orange}i}(t)+\mathbf{r}_{\color{orange}i}(0)\right)\right\rangle \\[1em] G_\textsf{distinct}(\mathbf{\color{tomato}r}, t) &=\frac{1}{N}\left\langle\sum_{\color{lightblue}{i\neq j}}^{N}\delta\left(\mathbf{\color{tomato}r}-\mathbf{r}_{\color{teal}j}(t)+\mathbf{r}_{\color{teal}j}(0)\right)\right\rangle \end{aligned}\]这里的 self 部分告诉我们,一个粒子在时间 $t$ 内移动了距离 $\mathbf{\color{tomato}r}$ 的概率。
这里的 distinct 部分告诉我们,如果粒子 $i$ 在 $t=0$ 时处于原点 $\mathbf{0}$,那么在 $ t=t $ 时,粒子 $ j $ 从 $ r_{\color{teal}j}(0) $ 到 $ \mathbf{r}_{\color{teal}j}(t) $ 的「位移」等于 $ \mathbf{\color{tomato}r} $ 的概率。
在任意时刻,$G(\mathbf{\color{tomato}r}, t)$ 对空间的积分都应该等于一。所以我们有
\[\begin{aligned} \int d\mathbf{\color{tomato}r}\ G_\textsf{self}(\mathbf{\color{tomato}r}, t) &= 1 \\[1em] \int d\mathbf{\color{tomato}r}\ G_\textsf{distinct}(\mathbf{\color{tomato}r}, t) &= N-1 \end{aligned}\]这是我阅读书 Exactly Solved Models in Statistical Mechanics 第一章做的笔记。我认为它很好地解释了看起来非常「不讲道理」的 scaling hypothesis 的思想。
当我们考虑磁化强度 $M$ 的时候,它与外部磁场 $H$ 以及温度 $T$ 有关。
让我们定义
\[\chi= \frac{\partial M}{\partial T}\]并且使用约化温度 $t$
\[t = \frac{(T - T_c)}{T_c}\]一切准备就绪,现在让我们来看下面被人类观测到的,「真实」的关系。
\[\begin{align} M_{H \rightarrow 0^+} &\sim (-t)^\beta \\[1em] M(H, T_c) &\sim H^{1/\delta} \\[1em] \chi(0, T) &\sim t^{-\gamma} & t \rightarrow 0^+ \\[1em] \chi(0, T) &\sim t^{-\gamma'} & t \rightarrow 0^- \end{align}\]我们作出如下的假设
\[\frac{H}{kT_c} = M\ |M|^{\delta-1} \; h_s(t\ |M|^{-1/\beta})\]其中 $h_s$ 叫做 scaling function。它是一个单调递增的函数。在 $-x_0$ 处取值为 0。它大概长这样。
当 $H=0 \leftrightarrow M = M_0, t<0$ ($M \neq 0$)
当 $H = 0$ 并且 $t < 0$ 时
\[\frac{0}{kT_c} = M\ |M|^{\delta-1} \; h_s(t\ |M|^{-1/\beta})\]若 $M \neq 0$,那么 $h_s(\dots)$ 必然为 0。 由于 $t < 0$, $h_s(\dots)$ 里一定是一个负数。我们叫它 $-x_0$。那么我们可以推导出上面的第一个关系,
\[\begin{aligned} h_x(-x_0) &= 0 \\ t\ |M|^{1/\beta} &= -x_0\\ \rightarrow |M_0| &= x_0 (-t)^\beta & \text{relation (1)} \end{aligned}\]当 $T \rightarrow T_c$ 时,$t \rightarrow 0$, $h_s(\dots) \rightarrow h_s(0)$。这个时候我们可以推导出第二个关系,
\[\begin{aligned} \frac{H_{t\rightarrow0}}{kT_c}&= M |M|^{\delta - 1}\;h_s(0) \\ \rightarrow H_{t\rightarrow0} &= kT_c\,h_s(0)\;M^{\delta} & \text{relation (2)} \end{aligned}\]当我们计算 $\partial H / \partial M$ 的时候,我们可以推导出第三个关系,
\[\begin{aligned} (kT_c\chi)^{-1} &= |M|^{\delta - 1} \left[ \delta h_x(x) - \beta^{-1}\ x\ \frac{\partial h_s(x)}{\partial x} \right] & (x=t|M|^{-1/\beta}) \\[1em] \rightarrow \chi^{-1} &\sim |M_{H=0}|^{\delta - 1} & (H=0 \rightarrow h_x(-x_0)=0) \\[1em] \rightarrow \chi &\sim (-t)^{-\beta(\delta - 1)} & \text{relation (3)} \end{aligned}\]推导出的结果预言了,$\gamma’ = \beta(\delta - 1)$
对于 t> 0 的情况,我们又下面的关系:当 $M \rightarrow 0$ 时,$H \sim M$。
“真正称职的物理学家”能够推导出
\[\begin{aligned} h_s(x) &\sim x^{\beta(\gamma - 1)} & (x\rightarrow \infty) \end{aligned}\]由此可以推导出
\[\gamma = \gamma' = \beta(\delta - 1)\]Scaling hypothesis 作出了下面的预言
\[\begin{aligned} \alpha + 2 \beta + \gamma' &= 2 \\ \nu &= \nu' \\ (2-\eta)\nu &= \gamma\\ \mu + \nu &= 2 - \alpha\\ d \nu &= 2 - \alpha & (d \text{ is the dimension}) \end{aligned}\]这些预测都有实验和理论验证。
具体的 $h_s(x)$ 的函数的「样子」也有数值求解。总之这个假设看上去是真的。
在这里,i 和 j 可以是相同的;我们计算同一个粒子与自己的关联。 ↩