[论文解读] Foundations of Stochastic Thermodynamics

Bernhard Altaner|arXiv (Cornell University)|Oct 15, 2014

Advanced Thermodynamics and Statistical Mechanics参考文献 171被引用 3

一句话总结

本论文通过从可逆确定性动力学推导熵与耗散概念，并将其嵌入信息论框架，建立了随机热力学（ST）的理论基础。研究表明，在马尔可夫跳跃过程中熵产生源于对未观测自由度的信息流，关键结果包括总熵变的正性以及多尺度动力学模型间的一致性准则。

ABSTRACT

Small systems in a thermodynamic medium --- like colloids in a suspension or the molecular machinery in living cells --- are strongly affected by the thermal fluctuations of their environment. Physicists model such systems by means of stochastic processes. Stochastic Thermodynamics (ST) defines entropy changes and other thermodynamic notions for individual realizations of such processes. It applies to situations far from equilibrium and provides a unified approach to stochastic fluctuation relations. Its predictions have been studied and verified experimentally. This thesis addresses the theoretical foundations of ST. Its focus is on the following two aspects: (i) The stochastic nature of mesoscopic observations has its origin in the molecular chaos on the microscopic level. Can one derive ST from an underlying reversible deterministic dynamics? Can we interpret ST's notions of entropy and entropy changes in a well-defined information-theoretical framework? (ii) Markovian jump processes on finite state spaces are common models for bio-chemical pathways. How does one quantify and calculate fluctuations of physical observables in such models? What role does the topology of the network of states play? How can we apply our abstract results to the design of models for molecular motors? The thesis concludes with an outlook on dissipation as information written to unobserved degrees of freedom --- a perspective that yields a consistency criterion between dynamical models formulated on various levels of description.

研究动机与目标

• 从底层可逆确定性动力学推导随机热力学，解决介观系统中不可逆性的起源问题。
• 在严格的信息论框架内解释随机热力学中的熵与熵产生概念。
• 量化有限状态空间上马尔可夫跳跃过程中物理可观测量的涨落，特别是生化网络中的涨落。
• 通过将耗散视为写入未观测自由度的信息，建立不同描述层次的动力学模型之间的一致性准则。
• 通过参数化的四状态马尔可夫模型，将抽象结果应用于分子马达（如驱动蛋白）的具体模型。

提出的方法

• 使用网络多贝克映射作为模型系统，研究可逆动力学与确定性混沌系统中的熵产生。
• 应用符号动力学与马尔可夫测度，表示有限状态空间上的随机过程，从而定义熵与可观测量。
• 引入熵 τ-链的概念，描述随机过程中熵的时间变化，区分精细熵与粗粒度熵。
• 利用基尔霍夫定律与代数图论分析马尔可夫网络的拓扑结构，识别环路与树作为基本构建单元。
• 通过矩生成函数与渐近统计性质，推导马尔可夫跳跃过程的涨落关系。
• 通过将速率常数拟合至实验数据与平衡条件，构建驱动蛋白马达蛋白的四状态马尔可夫模型，包含力依赖的跃迁速率。

实验结果

研究问题

• RQ1 能否从底层可逆确定性动力学推导出随机热力学？这与熵产生有何关联？
• RQ2 如何从信息论角度解释随机热力学中的熵与熵产生？
• RQ3 网络拓扑在决定马尔可夫跳跃过程中物理可观测量涨落方面起什么作用？
• RQ4 如何在作为马尔可夫链建模的生化反应网络中量化涨落关系与熵产生？
• RQ5 在不同描述层次的动力学模型之间，可建立何种一致性准则，特别是关于耗散作为信息流的问题？

主要发现

• 证明了马尔可夫跳跃过程中的熵产生严格为正，确认了随机设定下热力学第二定律的成立。
• 在随机热力学框架中，总熵变被证明为正，支持了该形式体系的一致性。
• 通过引入熵 τ-链与明确定义的参考测度，实现了系统与环境熵的稳定识别。
• 成功将驱动蛋白马达的模型参数拟合至生理条件下六状态模型的运动速度，其无载速度约为 0.1 μm/s。
• 通过强制满足 Hill–Schnakenberg 平衡条件并匹配实验速度，确定了 ATP 水解步骤的速率常数 κ³₄ = 2.52×10⁶ s⁻¹。
• 通过与文献 [CC05] 的实验数据拟合，验证了机械负载因子 θ = 0.65，确保了跃迁速率的正确力依赖性。