Classical Resolution of the Gibbs Paradox from the Equal Probability Principle: An Informational Perspective

本文通过在一个将吉布斯熵解释为香农熵的信息框架内应用等概率原理，在不引入量子 $1/N!$ 修正的情况下解决了经典的吉布斯佯谬，从而阐明了气体混合过程中信息与可提取功之间的联系。

要点

巨大的谜题：“吉布斯悖论”（Gibbs Paradox）

想象你有一个房间，被一面墙一分为二。左边有100个红色的弹珠，右边有100个蓝色的弹珠。两边的温度和压力都相同。

现在，想象你抽走了那面墙。弹珠混合了。

• 情景 A（红与蓝）： 如果弹珠颜色不同，物理学告诉我们，“熵”（一种衡量无序度，或者如本文所论证的，衡量“无知”程度的指标）会增加。这很合理；系统变得更加混乱了。
• 情景 B（红与红）： 现在，想象两边都是100个红色弹珠。你抽走了墙。视觉上其实并没有发生什么变化；这只是一个更大的红色弹珠箱子。直觉告诉我们，“无序度”不应该发生改变。

悖论： 一个多世纪以来，标准经典物理学（使用19世纪的数学方法）预测，即使在情景 B（红与红）中，熵也会像情景 A 一样跳升。这是一个“悖论”，因为它违背了常识：移除两个相同物体之间的隔阂，不应该产生热力学变化。

通常，科学家通过这样来修复这个问题：“啊，但量子力学认为粒子是不可区分的，所以我们必须在数学计算中除以一个巨大的数字 ($N!$)。” 这篇论文说：等等，我们不需要用量子力学来修复它。 我们仅靠经典规则和一种关于“信息”的新思维方式就能解决它。

论文的解决方案：关键在于你已知什么

作者郑正（Zheng Zhang）认为，悖论源于对“熵”究竟是什么的误解。

旧观点： 熵是气体的一种物理属性，就像它的温度或重量一样。它衡量气体有多“乱”。
新观点（信息视角）： 熵是衡量我们对气体了解多少的指标。它是“无知”程度的度量。

把熵想象成一个眼罩。

• 如果你戴着眼罩，看不见粒子在哪里，你的“熵”就很高。
• 如果你拥有超能力，能精确知道每一个粒子的位置，你的“熵”就很低。

悖论是如何解决的（“派对”类比）

让我们通过“我们知道什么”的视角再次审视这两个情景。

1. 不同的气体（红 vs. 蓝）

• 移除墙之前： 你确切知道哪些粒子在左边（红），哪些在右边（蓝）。你拥有信息。因为你知道这一点，你的“无知”（熵）较低。
• 移除墙之后： 墙没了。现在，一个红色粒子可能出现在整个房间的任何地方。你失去了信息。你不再知道某个特定的粒子最初是在哪一侧。
• 结果： 你的无知增加了。因此，熵增加了。这符合我们的直觉。

2. 相同的气体（红 vs. 红）

• 移除墙之前： 这是最棘手的部分。尽管粒子看起来一样，但在经典物理学中，它们在技术上是截然不同的个体（比如 A 先生和 B 先生）。
  • 错误之处： 旧的数学假设你确切知道哪些特定粒子在左边，哪些在右边。
  • 修正： 作者说，不，你并不知道。 你只知道左边有100个，右边有100个，但你并不知道具体是哪100个在哪。
  • 将200个人分成两组各100人的方式有无数种。由于你不知道具体的哪一组在哪，你在一开始就拥有了大量的无知。
• 移除墙之后： 墙没了。你仍然不知道具体的粒子在哪里。你对于“谁在哪”的无知程度并没有改变。
• 结果： 由于你的无知程度没有改变，熵也就没有改变。悖论消失了。

墙的“隐藏成本”

论文解释说，当你拥有相同的气体时，“墙”实际上向你隐藏了大量的信息。

• 有墙时： 你对于粒子在两侧的具体排列是无知的。这种无知为熵的计算增加了一个“额外值”。
• 无墙时： 由于约束条件的消失，那种特定的无知也随之消失了。
• 数学逻辑： 你之前的“额外”无知，恰好抵消了气体扩散时产生的“新”无知。净变化为零。

信息即力量（功）

论文还将此与功（你可以使用的能量）联系起来。

• 规则： 信息就像燃料。如果你知道一些别人不知道的系统信息，你就可以利用这些知识来提取能量（做功）。
• 例子： 如果你有红气和蓝气，你知道哪一边是什么。你可以制造一个特殊的“智能墙”，只允许红色通过。因为你拥有这个信息，你可以让墙移动并产生能量。
• 代价： 如果你有红气和红气，而你不知道具体的粒子分别在哪个侧边，你就无法制造一台机器来分离它们。你没有可以燃烧的“燃料”（信息）。
• 结论： 论文表明，你是否能提取出功，完全取决于你对粒子排列的认知，而不仅仅取决于粒子在物理上是否不同。

总结

作者声称，吉布斯悖论不是经典物理学的缺陷，而是我们应用经典物理学的方式存在缺陷。

1. 我们不需要量子力学（$1/N!$）来修复它。
2. 我们只需要接受 熵 = 无知。
3. 当我们通过考虑我们对粒子位置的“未知”来正确计算熵时，数学结果是完美的：混合相同的气体不会改变任何东西，而混合不同的气体则会增加我们的无知（以及熵）。

这把统计力学的研究视角从对“无序度”的研究转向了对“信息”的研究。

技术摘要

技术摘要：基于等概率原理的吉布斯佯谬（Gibbs Paradox）的经典解析

问题陈述
吉布斯佯谬是经典统计力学中一个长期存在的问题，涉及理想气体熵的非广延性。具体而言，当应用经典系综理论处理两种相同气体的混合时，标准计算会预测在移除隔板后熵会增加（$\Delta S = 2Nk \ln 2$）。这与热力学直觉相悖，因为热力学直觉认为混合相同物质不应产生热力学变化。传统上，这一佯谬通过引入量子不可区分性，即在配分函数中引入 $1/N!$ 的修正因子来解决。然而，这种解释在量子效应可以忽略不计或粒子在实验上可区分的机制下存在问题。虽然之前的尝试试图寻求经典层面的解析，但往往依赖于复杂的论证或微妙的原理。

方法论
作者提出了一种完全基于经典系综理论中等概率原理的解析方法，而无需引入 $1/N!$ 修正或量子力学。其核心方法论包括：

1. 从第一性原理进行直接计算： 作者并非假设复合系统的熵具有加和性，而是直接根据由等概率原理导出的概率密度分布 ($\rho(p,q)$) 来计算总熵。
2. 相空间分析： 对于最初被限制在盒子两个半部分中的 $2N$ 个相同粒子的系统，作者分析了其相空间结构。他们认为，由于每个粒子的具体位置（属于哪一侧）是未知的，因此相空间必须包含所有将 $2N$ 个粒子分配到两个半部分的可能方式。这导致了相空间中存在 $(2N)!/(N!)^2$ 个不连通的区域。
3. 信息解释： 作者将吉布斯熵 ($S = -k \int \rho \ln \rho \, dpdq$) 理解为香农熵（Shannon entropy），即量化关于微观状态的无知程度，而非物理上的无序度。他们将总熵分解为对粒子划分的无知（$S_d$）以及对动能状态的无知（$S_A, S_B$）的贡献。

主要结果

• 解决佯谬： 通过对相同气体在相空间中的所有不连通区域进行求和，作者推导出初始熵 $S^{(1)}_t = 2S_{id}(N, V, T) + 2Nk \ln 2$。移除隔板后，熵变为 $S^{(2)}_t = S_{id}(2N, 2V, T)$。由此得到的熵变 $\Delta S = 0$，与热力学预期一致。
• 加和性的失效： 研究表明，当应用于具有未知粒子分布的复合系统时，吉布斯熵的加和性（即 $S_{total} = S_A + S_B$）与等概率原理相冲突。传统加和法中“缺失”的项对应于关于粒子划分的无知熵。
• 气体类型的区别：
  • 不同气体： 关于哪些粒子属于哪一侧不存在无知（$S_d = 0$）。移除隔壁会增加对动能状态的无知，从而导致标准的混合熵 $\Delta S = 2Nk \ln 2$。
  • 相同气体： 对于粒子划分存在显著的初始无知（$S_d \approx 2Nk \ln 2$）。移除隔壁消除了这种划分无知，但同时增加了同等程度的动能无知，导致净熵变为零。

意义与主张
该论文声称提供了一个简单直接的经典解析方法来解决吉布斯佯谬，该方法仅依赖于基本的等概率原理，挑战了在经典语境下引入 $1/N!$ 修正的必要性。

关于论文意义的关键主张包括：

• 范式转移： 作者认为其工作标志着统计力学的范式转移，即向一个以信息为核心概念的框架迈进。他们主张熵应该被重新思考为一种衡量无知的度量（香农熵），而非无序度。
• 信息-功的关系： 该解析阐明了信息与可提取功之间的联系。论文指出，从气体混合中提取功的能力取决于观察者对粒子划分的了解程度。如果观察者知道哪些粒子在每一侧（即使是在经典框架下的相同粒子），可以通过半透膜提取功，从而将信息的丧失直接与熵增和做功极限（$W \leq -kT\Delta I$）联系起来。
• 客观后果： 在承认使熵依赖于知识会引入主观因素的同时，作者认为信息具有客观的物理后果，特别是在确定系统可控制做功量方面。

作者总结道，吉б斯原始版本的经典系综理论（不含 $1/N!$ 因子）本身并不必然导致佯谬；相反，佯谬源于一种忽视了系统构型中信息内容的、对熵加和性的幼稚应用。