스라소니 머릿속에는

Diffusion Equation Derivation from Random Walks

7 min read

Diffusion Equation Derivation from Random Walks

Overview

확산 방정식은 불규칙하고 들쭉날쭉한 랜덤 워크의 앙상블에서 긴 길이와 시간 스케일의 연속 극한을 취할 때 나타나는 간단한 행동을 설명한다. 이 유도 과정은 미시적인 확률론적 움직임에서 거시적인 결정론적 방정식이 어떻게 나타나는지 보여주는 중요한 예시이다.

Key Points

확산 방정식의 기본 형태

여기서:

  • : 국소적 확률 밀도 (또는 농도)
  • : 확산 계수
  • : 시간
  • : 위치

물리적 해석

확산 방정식은 다음 두 가지 상황을 설명할 수 있다:

  1. 거시적 관점: 향수 분자들의 국소 구름이 공기 분자들과의 충돌을 통해 랜덤 워크하는 진화하는 밀도
  2. 미시적 관점: 개별 입자가 공간을 랜덤 워크할 때의 확률 밀도 (비상호작용 입자의 경우)

랜덤 워크에서의 유도 과정

1단계: 기본 가정

각 시간 단계 에서 입자의 위치 변화:

즉 는 동안의 이동 거리, 스텝을 의미.
스텝 의 확률 분포 는 다음 조건을 만족:


확률 밀도 분포가 정규화되었다는 의미. 이건 당연히 지켜야 한다.

스텝 가 한쪽으로 쏠리지 않았다는 의미. 스텝의 기댓값이 0이라는 의미다.

You can't use 'macro parameter character #' in math mode\ell^2 \rangle = a^2 \tag{3c}$$ 스텝의 표준편차가 $a$, 이것이 확산의 빠르기를 결정 #### 2단계: 확률 밀도의 시간 진화 다음 시간 단계에서의 확률 밀도: $$\rho(x, t + \Delta t) = \int_{-\infty}^{\infty} \rho(x', t)\chi(x - x') dx' \tag{4}$$ 변수 치환 $z = x - x'$을 통해: $$\rho(x, t + \Delta t) = \int_{-\infty}^{\infty} \rho(x - z, t)\chi(z) dz \tag{5}$$ #### 3단계: 테일러 전개 $\rho$가 broad하고 스텝 크기가 변화 스케일에 비해 매우 작다는 가정 하에, $\rho(x - z, t)$를 2차까지 테일러 전개 $$\rho(x, t + \Delta t) \approx \int \left[ \rho(x,t) - z\left.\frac{\partial \rho}{\partial x}\right|_{t} + \frac{z^2}{2}\left. \frac{\partial^2 \rho}{\partial x^2}\right|_t \right] \chi(z) dz \tag{6}$$ #### 4단계: 적분 계산 $\chi(z)$의 모멘트 조건들을 이용하여: $$\rho(x, t + \Delta t) = \rho(x,t) + \frac{1}{2}\frac{\partial^2 \rho}{\partial x^2} a^2 \tag{7}$$ #### 5단계: 연속 극한 $\rho$가 천천히 변한다는 가정하에, $\rho(x, t + \Delta t)$를 $t$에 대해 테일러 전개 $\rho(x, t + \Delta t) - \rho(x,t) \approx (\partial \rho/\partial t) \Delta t$: $$\frac{\partial \rho}{\partial t} = \frac{a^2}{2\Delta t} \frac{\partial^2 \rho}{\partial x^2} \tag{8}$$ ### 확산 계수 $$D = \frac{a^2}{2\Delta t} \tag{9}$$ 여기서 $a^2$는 스텝 크기의 분산, $\Delta t$는 시간 간격이다. ## Questions & Insights - 왜 2차 모멘트만이 확산 방정식에 기여하는가? 1차 모멘트가 0인 조건의 물리적 의미는? - 확산 계수 $D$가 $a^2/2\Delta t$로 표현되는 것이 아인슈타인 관계식과 어떻게 연결되는가? - 이 유도 과정에서 중심극한정리가 암묵적으로 어떤 역할을 하는가? - 비정상 확산(anomalous diffusion)에서는 이 유도가 어떻게 수정되어야 하는가? ## Related Concepts - [[Moment Generating Function]] - [[Ficks_First_Law_of_Diffusion]] - [[Ficks_Second_Law_of_Diffusion]] - [[Diffusion Equation Gaussian Distribution]] - [[Brownian Motion Properties]] - [[📑 Journal reading - Anomalous diffusion models and their properties]] - [[Central Limit Theorem]] - [[White Noise and Brownian Motion Relationship]] ## References - 텍스트 이미지에서 발췌한 Section 2.2 "The diffusion equation" - 연속 극한에서의 랜덤 워크 앙상블 이론 ## Notes from Claude 이 유도는 통계역학과 확률론의 아름다운 만남을 보여준다. 미시적인 무작위성에서 거시적인 결정론적 방정식이 나타나는 과정은 다음과 같은 핵심 아이디어들을 포함한다: 1. **스케일 분리**: 미시적 스텝 크기와 거시적 관찰 스케일 사이의 큰 차이가 연속 근사를 정당화한다. 2. **중심극한정리의 역할**: 많은 독립적인 랜덤 스텝들의 합이 가우시안 분포로 수렴하는 것이 확산 방정식의 가우시안 해와 연결된다. 3. **확산의 보편성**: 이 유도는 분자 확산, 열 확산, 입자 확산 등 다양한 물리적 시스템에 적용될 수 있는 보편적 프레임워크를 제공한다. 4. **수학적 엄밀성**: 테일러 전개에서 2차 항까지만 고려하는 근사가 왜 정당한지에 대한 물리적 직관 - 고차 모멘트들은 연속 극한에서 무시할 수 있을 정도로 작아진다. 이 과정은 또한 확률적 미분방정식(SDE)과 편미분방정식(PDE) 사이의 연결을 보여주는 중요한 예시이기도 하다.

그래프 뷰

백링크