45、朗之万方程：加性噪声及其应用解析

朗之万方程：加性噪声及其应用解析

1. 朗之万方程基础

朗之万方程最初用于描述液体环境中受惯性和粘性影响的粒子运动。考虑一个沿 x 方向运动的粒子，根据牛顿运动定律有 $M\frac{dv}{dt} = F(t)$，其中 $M$ 是粒子质量，$v$ 是速度，$F$ 是任意时刻环境作用于粒子的总力。若令 $F(t) := -\frac{v}{b} + F(t)$，则得到朗之万方程：$\frac{dv}{dt} + \frac{v}{t_{relax}} = \xi(t)$。这里 $\xi(t) := \frac{F(t)}{M}$ 描述了环境扰动引起的粒子随机加速度（噪声），$t_{relax}$ 是粒子的宏观弛豫时间。

假设每个时刻的扰动 $F(t)$ 的大小是从规定的概率密度函数（pdf）中随机选取的，因此扰动是 $\delta$ 相关的，即白噪声。由于这些碰撞的大小与状态变量 $v$ 无关，这种噪声的影响是状态无关的，即加性噪声。数学上，这些假设可总结为：
$\langle\xi(t)\rangle = 0$
$\langle\xi(t)\xi(t’)\rangle = \sigma_n^2\delta(t - t’)$

其中 $\sigma_n^2$ 是噪声 $\xi(t)$ 的方差，且假设高阶项（累积量）为零。上述 $\xi(t)$ 的性质导致其为高斯分布的白噪声，其概率密度函数为：
$p(\xi) = \frac{1}{\sqrt{2\pi\sigma_n^2}}\exp\left(-\frac{\xi^2}{2\sigma_n^2}\right)$

这样定义的朗之万方程在数学文献中也被称为奥恩斯坦 - 乌伦贝克过程。需要注意的是，方程中的 $\xi(t)$ 处处不可微，但它的积分存在，因此求解该方程时需要谨慎。

使用积分因子法（$e^{t/t_{relax}}$ 为积分因子）可得到方程的解：
$v(t) = V_0e^{-t/t_{relax}} + e^{-t/t_{relax}}\int_0^t e^{s/t_{relax}}\xi(s)ds$

其中 $V_0$ 是 $t = 0$ 时 $v$ 的值，$\xi(t)$ 是随机扰动，其概率密度函数为 $p(\xi)$。每次对该方程进行模拟（即实现或样本路径）都会不同，因为每个时间步都需要从 $p(\xi)$ 中随机选择 $\xi(t)$。因此，判断该解是否与实验测量结果一致是没有意义的，我们通常用它来预测平均统计量，如均值和方差，然后通过这些矩来判断实验观测结果是否与解一致。

2. 朗之万方程的性质

当 $\xi(t)$ 描述均值为零的 $\delta$ 相关噪声时，朗之万方程具有以下性质：
1. 平均速度（一阶矩） ：
$\langle v\rangle = \int_{-\infty}^{\infty}\left(V_0e^{-t/t_{relax}} + e^{-t/t_{relax}}\int_0^t e^{s/t_{relax}}\xi(s)ds\right)p(\xi)d\xi = V_0e^{-t/t_{relax}}$
2. 均方（二阶矩） ：
$\langle v^2\rangle = V_0^2e^{-2t/t_{relax}} + \frac{\sigma_n^2t_{relax}}{2}(1 - e^{-2t/t_{relax}})$
3. 速度方差 ：
$\sigma_v^2 = \frac{\sigma_n^2t_{relax}}{2}(1 - e^{-2t/t_{relax}})$，且 $\sigma_v^2$ 随 $t_{relax}$ 的增大而增大。
4. 概率密度函数 ：朗之万方程的概率密度函数 $p(v,t)$ 呈高斯分布，由均值和方差完全确定，可表示为：
$p(v,t) = \frac{1}{\sqrt{\pi\sigma_n^2t_{relax}(1 - e^{-2t/t_{relax}})}}\exp\left(-\frac{(v - V_0e^{-t/t_{relax}})^2}{\sigma_n^2t_{relax}(1 - e^{-2t/t_{relax}})}\right)$
5. 自相关函数 ：
$C_{xx}(\Delta) = \langle v(t)v(t + \Delta)\rangle$。在稳态下，$C_{xx}(\Delta) = \frac{\sigma_n^2t_{relax}}{2}e^{-\Delta/t_{relax}}$
6. 单边功率谱 ：根据维纳 - 辛钦定理，粒子在液体环境中运动频率的单边功率谱为：
$W(f) = \frac{2\sigma_n^2t_{relax}^2}{1 + (2\pi ft_{relax})^2}$
7. 均方与功率谱的关系 ：$\langle v^2\rangle = \int_0^{\infty}W(f)df$

下面用表格总结这些性质：
|性质|表达式|
| ---- | ---- |
|平均速度|$\langle v\rangle = V_0e^{-t/t_{relax}}$|
|均方|$\langle v^2\rangle = V_0^2e^{-2t/t_{relax}} + \frac{\sigma_n^2t_{relax}}{2}(1 - e^{-2t/t_{relax}})$|
|速度方差|$\sigma_v^2 = \frac{\sigma_n^2t_{relax}}{2}(1 - e^{-2t/t_{relax}})$|
|概率密度函数|$p(v,t) = \frac{1}{\sqrt{\pi\sigma_n^2t_{relax}(1 - e^{-2t/t_{relax}})}}\exp\left(-\frac{(v - V_0e^{-t/t_{relax}})^2}{\sigma_n^2t_{relax}(1 - e^{-2t/t_{relax}})}\right)$|
|自相关函数（稳态）|$C_{xx}(\Delta) = \frac{\sigma_n^2t_{relax}}{2}e^{-\Delta/t_{relax}}$|
|单边功率谱|$W(f) = \frac{2\sigma_n^2t_{relax}^2}{1 + (2\pi ft_{relax})^2}$|
|均方与功率谱关系|$\langle v^2\rangle = \int_0^{\infty}W(f)df$|

3. 视网膜作为记录设备

爱因斯坦对布朗运动速度的预测比人类视觉系统测量的结果大约快三个数量级。这一差异的解决首次证明了噪声和时间延迟的相互作用对塑造神经系统反应的重要性。问题的核心在于测量仪器（这里指人眼睛）的响应时间对检测布朗运动粒子的影响。

测量设备的频率响应可以衡量其局限性。对于朗之万方程，其频率响应 $\hat{W}(f)$ 由对 $\delta$ 函数输入的响应确定。当测量设备响应时间极快（$1/e$ 时间 $t_m$ 很小）时，有：
$\langle v^2\rangle = 2\sigma_n^2t_{relax}^2\int_0^{\infty}\frac{df}{1 + (2\pi ft_{relax})^2} = \frac{\sigma_n^2t_{relax}}{2}$

然而，人类视网膜有大约 $0.1s$ 的有限响应时间，此时频率响应变为：
$\langle v^2\rangle = 2\sigma_n^2t_{relax}^2\int_0^{1/t_m}\frac{df}{1 + (2\pi ft_{relax})^2} \approx \frac{\sigma_n^2t_{relax}}{2}\frac{t_{relax}}{t_m}$

假设布朗粒子的运动类似于遵循经典力学的分子集合的运动，根据统计力学，有 $\langle v^2\rangle = \frac{k_BT}{M}$。若 $M \approx 10^{-12}g$，理论估计的平均粒子速度约为 $0.2cm\cdot s^{-1}$，这比实验观测值（约 $4\times10^{-4}cm\cdot s^{-1}$）大约高 1000 倍。

通过比较可得：
$\frac{\sigma_n^2t_{relax}}{2} = \frac{k_BT}{M}$
$\frac{\sigma_n^2t_{relax}}{2}\frac{t_{relax}}{t_m} = \frac{k_BT}{M}$

因此，用人眼估计的布朗粒子运动速度会降低 $\sqrt{\frac{t_{relax}}{t_m}}$ 倍。当粘性力主导惯性力（低雷诺数）时，根据斯托克斯定律，可估计 $t_{relax} \approx t_{settling} = \frac{M}{6\pi\eta r}$。若粒子直径为 $1\mu$，流体粘度约为 $10^{-2}P$，则 $\sqrt{\frac{t_{relax}}{t_m}} \approx 10^{-3}$，这就完全解释了视觉测量和理论估计的布朗粒子速度之间的差异。

4. 时间延迟朗之万方程

时间延迟朗之万方程 $\frac{dv}{dt} + kv(t - \tau) = \xi_w(t)$ 用于考虑白噪声 $\xi_w$ 和延迟对反馈控制的影响。对延迟进行傅里叶变换有 $G(g(t - \tau))(f) = e^{-j2\pi f\tau}G(g(t))(f)$。对时间延迟朗之万方程进行变换可得：
$2\pi jfV(f) + ke^{-j2\pi f\tau}V(f) = \beta$
$V(f) = \frac{\beta}{2\pi jf + ke^{-j2\pi f\tau}}$

其功率谱为：
$W(f) = \frac{\beta^2}{(2\pi f)^2 - 4\pi kf\sin(2\pi f\tau) + k^2}$

功率谱总体上随频率增加而减小，在低频范围内，$W(f)$ 在 $(2\tau)^{-1}$ 处达到峰值。这种放大现象最初在鲎的视网膜中被实验观察到，它形成了神经感受野的“中心开，周围关”概念的基础。

自相关函数 $C_{xx}(\Delta)$ 可通过维纳 - 辛钦定理确定：
$C_{xx}(\Delta) = 4\int_{-\infty}^{\infty}\frac{\beta^2\cos(2\pi f\Delta)}{(2\pi f)^2 - 4\pi kf\sin(2\pi f\tau) + k^2}df$

该积分无法解析求解。对于 $\Delta < \tau$，库赫勒和门施确定的稳态相关函数为：
$C_{xx}(\Delta) = C_{xx}(0)\cos(k\Delta) - \frac{1}{2}\Delta\sin(k\Delta)$
其中 $C_{xx}(0) = \frac{1 + \sin(k\tau)}{2k\cos(k\tau)}$

下面用 mermaid 流程图展示视网膜测量布朗运动速度差异的分析过程：

graph TD;
    A[爱因斯坦预测布朗运动速度] --> B[人类视觉系统测量速度差异大];
    B --> C[考虑测量设备响应时间影响];
    C --> D[计算不同响应时间下频率响应];
    D --> E[结合统计力学公式对比];
    E --> F[解释速度差异原因];

5. 技能习得

在高尔夫和射箭等个人体育赛事中，技能水平可以通过同一任务连续重复之间的方差来估计，方差越低，技能水平越高。例如，职业高尔夫球手推杆头与高尔夫球表面接触点的方差约为高尔夫球凹痕直径的三分之一。随着练习的增加，技能会提高，因为大脑会不断完善其内部地图。

近年来，人们开始使用类似势函数的图表来建立技能习得和发展的动态系统模型。将技能的一个组成变量与一个定点吸引子联系起来，可将技能水平对应于一个抛物线势函数 $U(x) = kx^2$ 中的 $k$ 值。技能提高时方差减小，相当于 $k$ 增大，吸引盆壁的陡峭程度增加。

然而，技能并不一定随练习线性增加。斯科特·凯尔索等人认为，技能发展可以看作是新吸引子取代旧吸引子的过程。例如，当参数 $k$ 从 5 变化到 -5 时，一个吸引子（A）会逐渐消失，另一个吸引子（B）会出现。在切换到新吸引子之前，方差会增加，技能水平会暂时下降，这种“先变差后变好”的现象在一些平衡杆技能学习和儿童、成人学习新技能的过程中都有观察到。

6. 随机基因表达

细胞内少量分子引起的随机效应（内在随机性）必须与不同细胞之间的随机效应（外在随机性）区分开来。使用绿色荧光蛋白（GFP）技术可研究细菌中内在和外在随机性的相对重要性。

通过将两个不同的 GFP 等位基因分别放入两个相同的细菌菌株中，并将它们置于乳糖操纵子下游的相同基因组位置，可通过荧光光谱差异监测基因活性。总噪声强度 $\sigma_{tot}^2$ 由两个 GFP 等位基因的总荧光随时间的变化估计，内在噪声强度 $\sigma_{int}^2$ 由两个 GFP 等位基因荧光的差异估计，外在噪声强度 $\sigma_{ext}^2$ 由 $\sigma_{ext}^2 = \sigma_{tot}^2 - \sigma_{int}^2$ 计算。

基因表达噪声强度取决于转录速率、调控动力学和遗传因素。研究人员通过添加不同量的异丙基 - β - D - 硫代半乳糖苷（IPTG）来改变转录速率，发现 $\sigma_{int}^2$ 随转录速率的增加而单调下降，而 $\sigma_{ext}^2$ 在中等转录速率时达到最大值。

斯温等人基于朗之万方程分析表明，转录速率比翻译速率更可能是内在噪声的来源。他们从古德温模型出发，忽略反馈项后得到随机版本的古德温方程：
$\frac{dM}{dt} = v_0 - d_0M + \xi_1(t)$
$\frac{dN}{dt} = v_1M - d_1N + \xi_2(t)$

其中 $\xi_1(t)$ 和 $\xi_2(t)$ 是两个 $\delta$ 相关的加性噪声输入，满足：
$\langle\xi_1(t_1)\xi_1(t_2)\rangle = 2d_0M_{ss}\delta(t_1 - t_2)$
$\langle\xi_2(t_1)\xi_2(t_2)\rangle = 2d_1N_{ss}\delta(t_1 - t_2)$
$\langle\xi_1(t_1)\xi_2(t_2)\rangle = 0$

$M_{ss}$ 和 $N_{ss}$ 是 $M$ 和 $N$ 的稳态值，$M_{ss} = \frac{v_0}{d_0}$，$N_{ss} = \frac{v_1}{d_1}M_{ss}$。

由于 mRNA 波动在一次蛋白质波动期间会发生多次，可假设 $M$ 达到稳态，即 $\frac{dM}{dt} \approx 0$，则 $M = M_{ss} + \frac{\xi_1}{d_0}$，方程可简化为：
$\frac{dN}{dt} = v_1M_{ss} - d_1N + \Psi$

其中 $\Psi = \frac{v_1}{d_0}\xi_1 + \xi_2$，$\langle\Psi\rangle = 0$，$\langle\Psi(t_1)\Psi(t_2)\rangle = 2d_1N_{ss}(1 + \frac{v_1}{d_0})\delta(t_1 - t_2)$

最终得到：
$\sigma_M^2 = \frac{1}{\langle M\rangle}$
$\sigma_N^2 = \frac{1}{\langle N\rangle} + \frac{d_1}{d_0}\frac{1}{\langle M\rangle}$

实验中典型的大肠杆菌组成型（未调控）表达参数为 $d_1 \approx 0.0003s^{-1}$，$d_0 \approx 0.006s^{-1}$，$\langle N\rangle = 10^3$，$\langle M\rangle = 5$，可见 mRNA 项决定了噪声的总体大小。当 $v_1 \gg d_0$ 时，转录对 $\sigma_N^2$ 的影响主导翻译的影响，这与实验观察一致。

下面用表格总结基因表达相关参数和噪声强度关系：
|参数|表达式|
| ---- | ---- |
|$M$ 稳态值|$M_{ss} = \frac{v_0}{d_0}$|
|$N$ 稳态值|$N_{ss} = \frac{v_1}{d_1}M_{ss}$|
|$M$ 噪声强度|$\sigma_M^2 = \frac{1}{\langle M\rangle}$|
|$N$ 噪声强度|$\sigma_N^2 = \frac{1}{\langle N\rangle} + \frac{d_1}{d_0}\frac{1}{\langle M\rangle}$|

综上所述，朗之万方程及其相关理论在多个领域都有重要的应用，从微观的基因表达随机过程到宏观的生物系统测量和技能习得等方面，都能为我们理解和分析这些复杂现象提供有力的工具和理论支持。

朗之万方程：加性噪声及其应用解析

7. 总结与展望

朗之万方程作为一个强大的工具，在多个领域展现出了重要的应用价值。以下是对上述内容的进一步总结和相关展望。

7.1 朗之万方程核心要点回顾

• 基础方程 ：$\frac{dv}{dt} + \frac{v}{t_{relax}} = \xi(t)$ 描述了粒子在液体环境中的运动，其中 $\xi(t)$ 为加性噪声，满足特定的统计性质。
• 方程性质 ：通过一系列推导得到了平均速度、均方、速度方差、概率密度函数、自相关函数、单边功率谱以及均方与功率谱的关系等重要性质，这些性质为分析系统的行为提供了关键信息。
• 不同应用场景 ：在视网膜测量、技能习得和随机基因表达等领域，朗之万方程都有独特的应用，帮助解释了许多实际现象。

7.2 各应用领域的关键发现

应用领域	关键发现
视网膜作为记录设备	解释了爱因斯坦预测的布朗运动速度与人类视觉系统测量结果之间的差异，原因在于人眼的响应时间对测量的影响。
技能习得	技能水平与任务重复方差相关，技能发展可能是非线性的，存在“先变差后变好”的过程。
随机基因表达	区分了内在和外在随机性，确定了转录速率对内在噪声的主导作用。

7.3 未来研究方向

• 多因素耦合研究 ：目前的研究大多聚焦于单一因素或少数因素的影响，未来可以考虑多个因素的耦合作用，例如在随机基因表达中，同时考虑转录速率、翻译速率、调控网络等多个因素的相互影响。
• 更复杂系统的应用 ：将朗之万方程应用于更复杂的生物系统或其他领域的复杂系统，如生态系统、金融系统等，探索其在这些系统中的适用性和局限性。
• 实验验证与改进 ：通过更多的实验数据来验证理论模型的准确性，并根据实验结果对模型进行改进和优化，提高模型的预测能力。

下面用 mermaid 流程图展示未来研究方向的思路：

graph TD;
    A[现有朗之万方程研究] --> B[多因素耦合研究];
    A --> C[更复杂系统应用];
    A --> D[实验验证与改进];
    B --> E[深入理解复杂系统行为];
    C --> E;
    D --> E[完善理论模型];

8. 实际应用案例分析

为了更好地理解朗之万方程在实际中的应用，下面通过具体案例进行分析。

8.1 视网膜测量案例

在视网膜测量布朗运动速度的案例中，我们可以详细分析每个步骤的意义和影响。

• 步骤 1：确定差异 ：发现爱因斯坦预测的布朗运动速度与人类视觉系统测量结果存在巨大差异，这是研究的起点。
• 步骤 2：考虑因素 ：意识到测量设备（人眼）的响应时间是影响测量结果的关键因素。
• 步骤 3：理论计算 ：根据朗之万方程计算不同响应时间下的频率响应，并结合统计力学公式进行对比。
• 步骤 4：解释差异 ：通过对比结果，得出人眼响应时间导致测量速度降低的结论，从而解释了差异的原因。

下面用表格展示具体计算过程和参数：
|步骤|计算内容|参数取值|结果|
| ---- | ---- | ---- | ---- |
|计算快速响应设备频率响应|$\langle v^2\rangle = 2\sigma_n^2t_{relax}^2\int_0^{\infty}\frac{df}{1 + (2\pi ft_{relax})^2} = \frac{\sigma_n^2t_{relax}}{2}$|$M \approx 10^{-12}g$ 等|$\langle v^2\rangle$ 值|
|计算人眼频率响应|$\langle v^2\rangle = 2\sigma_n^2t_{relax}^2\int_0^{1/t_m}\frac{df}{1 + (2\pi ft_{relax})^2} \approx \frac{\sigma_n^2t_{relax}}{2}\frac{t_{relax}}{t_m}$|$t_m \approx 0.1s$ 等|$\langle v^2\rangle$ 值|
|统计力学公式|$\langle v^2\rangle = \frac{k_BT}{M}$|$k_B = 1.38×10^{-16} g·cm^2 ·s^{-2}$ 等|$\langle v^2\rangle$ 值|

8.2 技能习得案例

在技能习得案例中，以高尔夫球技能为例。

• 技能评估 ：通过测量推杆头与高尔夫球接触点的方差来评估技能水平，方差越低，技能越高。
• 技能发展模型 ：将技能与抛物线势函数 $U(x) = kx^2$ 联系起来，$k$ 值代表技能水平。随着练习，$k$ 值增大，技能提高。
• 技能发展过程 ：在技能发展过程中，可能会出现新吸引子取代旧吸引子的情况，导致技能暂时下降，然后再提高。

8.3 随机基因表达案例

在随机基因表达案例中，以大肠杆菌为例。

• 实验设计 ：使用 GFP 技术，将不同 GFP 等位基因放入相同细菌菌株，监测基因活性。
• 噪声分析 ：计算内在噪声 $\sigma_{int}^2$ 和外在噪声 $\sigma_{ext}^2$，发现转录速率对内在噪声的主导作用。
• 参数验证 ：通过实验参数 $d_1 \approx 0.0003s^{-1}$，$d_0 \approx 0.006s^{-1}$ 等验证理论模型的正确性。

9. 结论

朗之万方程及其相关理论在多个领域的应用为我们理解复杂系统的行为提供了重要的视角和方法。从微观的基因表达随机过程到宏观的生物系统测量和技能习得，朗之万方程都能准确地描述和解释许多现象。

通过对视网膜测量、技能习得和随机基因表达等案例的分析，我们不仅深入理解了朗之万方程的应用方式，还发现了一些重要的规律和现象。未来的研究可以在多因素耦合、复杂系统应用和实验验证等方面进一步拓展，以完善理论模型，提高其在实际应用中的准确性和有效性。

希望本文能够帮助读者更好地理解朗之万方程及其应用，激发更多的研究兴趣和创新思维，为相关领域的发展做出贡献。