{
  "id": "detailed-balance",
  "title": "细致平衡",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "细致平衡是指在给定平稳分布下，任意两个状态之间的正向与反向跃迁流恰好相等的条件。",
  "category": "mathematics",
  "subcategory": "probability-statistics",
  "type": "concept",
  "aliases": [
    "详细平衡",
    "细致平衡条件",
    "细致平衡原理"
  ],
  "generated_at": "2026-10-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/detailed-balance/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/detailed-balance/",
      "json": "https://aiwiki.page/en/detailed-balance.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "细致平衡是随机过程中状态跃迁或动力学系统中正、逆反应的一种成对平衡条件。对于马尔可夫链，它要求在给定的概率分布下，每个状态流向另一状态的概率流都等于反向概率流。这一条件蕴含平稳性，并刻画了平稳链的可逆性。在化学动力学中，相应条件要求平衡时每个基元反应都分别与其逆反应达到平衡，而不仅仅是浓度保持不变。(stat.berkeley.edu)"
    },
    {
      "heading": "数学定义",
      "text": "考虑状态空间 \\(S\\) 为有限集或可数集的离散时间马尔可夫链，其转移矩阵为 \\(P\\)。记\n\n\\[P_{ij}=\\Pr(X_{n+1}=j\\mid X_n=i).\\]\n\n如果归一化分布 \\(\\pi=(\\pi_i)_{i\\in S}\\) 满足\n\n\\[\\boxed{\\pi_iP_{ij}=\\pi_jP_{ji} \\qquad\\text{对所有 }i,j\\in S,}\\]\n\n则称它与 \\(P\\) 满足细致平衡。\n\n当当前分布为 \\(\\pi\\) 时，\\(\\pi_iP_{ij}\\) 表示先处于状态 \\(i\\)、随后转移到状态 \\(j\\) 的联合概率。因此，细致平衡涉及的是按概率加权的跃迁，而不是转移概率本身相等。(stat.berkeley.edu)\n\n对于转移速率为 \\(q_{ij}\\) 的连续时间马尔可夫链，这一条件为\n\n\\[\\pi_iq_{ij}=\\pi_jq_{ji}.\\]\n\n对于一般状态空间上的转移核 \\(K\\)，其测度论形式为\n\n\\[\\pi(dx)K(x,dy)=\\pi(dy)K(y,dx),\\]\n\n即相继两个状态的联合测度在交换这两个状态后保持不变。这种表述也适用于连续分布，而不要求存在概率密度函数。(stat.berkeley.edu)"
    },
    {
      "heading": "细致平衡与平稳性",
      "text": "平稳分布满足全局平衡方程\n\n\\[\\pi_j=\\sum_i\\pi_iP_{ij}.\\]\n\n细致平衡蕴含这些方程：将成对的等式求和，得到\n\n\\[\\sum_i\\pi_iP_{ij} =\\pi_j\\sum_iP_{ji} =\\pi_j,\\]\n\n因为第 \\(j\\) 行的元素之和为一。两者的区别在于，全局平衡约束的是流入概率的总量，而细致平衡约束的是每一对概率流。(stat.berkeley.edu)\n\n反过来则不成立。作为说明，考虑环形排列的三个状态。从每个状态出发，链以概率 \\(a\\) 顺时针移动，以概率 \\(b\\) 逆时针移动，以概率 \\(1-a-b\\) 留在原地，其中 \\(a,b>0\\) 且 \\(a+b<1\\)。均匀分布是平稳分布，因为每个状态流入的总概率都相同。然而，每条边上的顺时针净概率流为\n\n\\[J=\\frac{a-b}{3}.\\]\n\n除非 \\(a=b\\)，否则这条平稳链存在持续的环流，不满足细致平衡。这个例子说明，状态概率保持不变，可以与跃迁不平衡同时存在。(stat.berkeley.edu)\n\n仅有细致平衡，也不能保证从任意初始分布出发都能收敛。对于有限状态链，不可约性保证平稳分布的唯一性，而通常的离散时间收敛还需要非周期性。一条在两个状态之间确定性交替的链，虽然与均匀分布满足细致平衡，却仍具有周期性。(dpmms.cam.ac.uk)"
    },
    {
      "heading": "可逆性与时间反演",
      "text": "对于满足 \\(\\pi_i>0\\) 的平稳马尔可夫链，定义反向转移矩阵为\n\n\\[P^{\\mathrm{rev}}_{ij} =\\frac{\\pi_jP_{ji}}{\\pi_i}.\\]\n\n细致平衡恰好就是 \\(P^{\\mathrm{rev}}=P\\) 这一条件：沿时间反向观察时，平稳过程遵循相同的转移规律。(stat.berkeley.edu)\n\n这一结论并不限于单步跃迁。在细致平衡条件下，一条平稳轨迹及其反向轨迹具有相等的概率：\n\n\\[\\pi_{i_0}\\prod_{r=0}^{n-1}P_{i_ri_{r+1}} = \\pi_{i_n}\\prod_{r=0}^{n-1}P_{i_{r+1}i_r}.\\]\n\n因此，\n\n\\[(X_0,X_1,\\ldots,X_n) \\overset{d}{=} (X_n,X_{n-1},\\ldots,X_0).\\]\n\n这是轨迹的统计可逆性，而不是热力学中准静态可逆过程的定义。平稳性假设至关重要：即使转移机制是可逆的，如果初始分布不是其不变分布，暂态轨迹的概率规律也不会因此具有时间反演不变性。(dpmms.cam.ac.uk)"
    },
    {
      "heading": "柯尔莫哥洛夫循环判据",
      "text": "柯尔莫哥洛夫循环判据直接通过转移概率检验可逆性。对于有限不可约链，它与其平稳分布满足细致平衡，当且仅当对每个闭合序列 \\(i_0,i_1,\\ldots,i_m=i_0\\)，都有\n\n\\[\\prod_{r=0}^{m-1}P_{i_ri_{r+1}} = \\prod_{r=0}^{m-1}P_{i_{r+1}i_r}.\\]\n\n换言之，沿每个循环的转移概率之积，必须等于沿反向循环的转移概率之积。连续时间版本则用转移速率替代转移概率。(statslab.cam.ac.uk)\n\n将沿循环的细致平衡方程相乘，所有 \\(\\pi\\) 因子都会抵消，由此可得必要性。反过来，循环的一致性使我们能够沿路径重建平稳权重之比。例如，当两个方向的转移概率都为正时，\n\n\\[\\frac{\\pi_j}{\\pi_i}=\\frac{P_{ij}}{P_{ji}}.\\]\n\n循环条件保证不同路径得到的比值一致。然而，在无限状态空间上，以这种方式得到的可逆不变测度，其总质量未必有限，因此未必能够归一化为平稳概率分布。(statslab.cam.ac.uk)"
    },
    {
      "heading": "线性代数方面的推论",
      "text": "细致平衡将马尔可夫链分析与线性代数联系起来。对于具有严格正分布 \\(\\pi\\) 的有限状态链，令\n\n\\[D=\\operatorname{diag}(\\pi_1,\\ldots,\\pi_N).\\]\n\n平衡方程可以写为\n\n\\[DP=P^{\\mathsf T}D.\\]\n\n因此，与 \\(P\\) 相似的矩阵\n\n\\[S=D^{1/2}PD^{-1/2}\\]\n\n是实对称矩阵。其元素满足\n\n\\[S_{ij}=\\sqrt{\\frac{\\pi_i}{\\pi_j}}P_{ij}=S_{ji}.\\]\n\n根据谱定理，\\(P\\) 的特征值均为实数，且 \\(P\\) 可对角化。这简化了对收敛和弛豫的谱分析。(stat.berkeley.edu)\n\n等价地，马尔可夫算子在加权内积\n\n\\[\\langle f,g\\rangle_\\pi=\\sum_i\\pi_i f_i g_i\\]\n\n下是自伴的。与之相关的二次型为\n\n\\[\\langle f,(I-P)f\\rangle_\\pi = \\frac12\\sum_{i,j}\\pi_iP_{ij}(f_i-f_j)^2.\\]\n\n这一表达式衡量 \\(f\\) 在发生跃迁的状态之间的变化，是利用变分方法估计特征值和收敛速率的基础。可逆性并不意味着所有特征值都非负：负特征值可以导致离散时间下的交替变化。(stat.berkeley.edu)"
    },
    {
      "heading": "平衡态物理与化学动力学",
      "text": "在统计力学中，细致平衡为许多随机模型提供了平衡态的动力学表述。假设各状态的能量为 \\(E_i\\)，平衡权重由玻尔兹曼分布给出：\n\n\\[\\pi_i=Z^{-1}e^{-\\beta E_i}, \\qquad \\beta=\\frac{1}{k_{\\mathrm B}T},\\]\n\n其中，\\(Z\\) 为配分函数，\\(k_{\\mathrm B}\\) 为玻尔兹曼常数，\\(T\\) 为温度。此时，细致平衡要求\n\n\\[\\frac{q_{ij}}{q_{ji}} =e^{-\\beta(E_j-E_i)}.\\]\n\n这一关系确定的是速率之比，而不是绝对速率：不同的动力学机制可以具有相同的平衡分布，却以不同的速度弛豫。(arxiv.org)\n\n对于遵循质量作用动力学的可逆化学反应\n\n\\[\\sum_s\\alpha_{rs}A_s \\rightleftharpoons \\sum_s\\beta_{rs}A_s,\\]\n\n细致平衡要求存在一个各分量均为正的平衡浓度向量 \\(c^*\\)，使每个反应 \\(r\\) 都满足\n\n\\[k_r^+\\prod_s(c_s^*)^{\\alpha_{rs}} = k_r^-\\prod_s(c_s^*)^{\\beta_{rs}}.\\]\n\n这一要求比浓度的净变化为零更强。它还通过韦格施奈德恒等式约束速率常数；这些恒等式与反应的化学计量向量之间的依赖关系有关。对于由一级反应构成的简单循环，正向速率常数的乘积必须等于逆向速率常数的乘积。(link.springer.com)\n\n这一化学表述可追溯至鲁道夫·韦格施奈德于1901年开展的研究。细致平衡与微观可逆性密切相关，不过，要为粗粒化动力学模型推导出细致平衡，需要对平衡态及跃迁的表示方式作出适当假设。(sites.math.duke.edu)"
    },
    {
      "heading": "蒙特卡洛采样",
      "text": "细致平衡是马尔可夫链蒙特卡洛中的一种标准构造原则：选择与所需目标分布满足细致平衡的跃迁，从而确保目标分布是不变分布。它是不变性的充分条件，但不是必要条件。(stats.ox.ac.uk)\n\n在梅特罗波利斯—黑斯廷斯算法中，从 \\(q(y\\mid x)\\) 提议一个候选状态 \\(y\\)，并在相关的正概率支撑集上，以概率\n\n\\[\\alpha(x,y) = \\min\\left\\{ 1,\\frac{\\pi(y)q(x\\mid y)} {\\pi(x)q(y\\mid x)} \\right\\}\\]\n\n接受该候选状态。对于不同的状态，\n\n\\[\\pi(x)q(y\\mid x)\\alpha(x,y) = \\min\\{\\pi(x)q(y\\mid x),\\,\\pi(y)q(x\\mid y)\\},\\]\n\n这一表达式关于 \\(x\\) 和 \\(y\\) 对称。提议被拒绝时，状态保持不变，由此构成完整的转移核。(stats.ox.ac.uk)\n\n\\(\\pi\\) 中未知的乘法归一化常数会在接受比中抵消。因此，该方法适合对复杂的后验分布和平衡态模型进行采样。不过，细致平衡并不保证高效探索：提议机制的设计以及样本之间的相关性仍然十分重要。非可逆采样方法可以保持相同的目标分布，并在某些情形下比可逆方法收敛得更快。(arxiv.org)"
    },
    {
      "heading": "局限与相关概念",
      "text": "局部细致平衡不同于平稳分布下的细致平衡。在随机热力学模型中，局部细致平衡将正向与反向转移速率之比的对数，同传递给环境的熵联系起来：\n\n\\[\\log\\frac{q_{ij}}{q_{ji}} = \\frac{\\Delta s_{\\mathrm{env}}(i\\to j)}{k_{\\mathrm B}},\\]\n\n其中需要适当定义跃迁通道及其反向过程。与多个储库耦合的系统可以满足这类关系，同时维持持续的流而不满足平稳分布下的细致平衡。因此，“局部”并不意味着所有平稳态成对概率流都为零。(arxiv.org)\n\n当状态包含动量等在时间反演下会改变符号的量时，物理上的时间反演也需要谨慎处理。对这类轨迹进行反演，不仅要颠倒时间顺序，还要变换状态变量。如果不加区分地对这些系统应用通常的、保持状态变量不变的平衡检验，就可能将平衡态动力学误判为不可逆。广义平衡条件必须纳入适当的时间反演变换。(doi.org)"
    }
  ],
  "links": [
    "stochastic-process",
    "markov-chain",
    "probability-distribution",
    "chemical-kinetics",
    "transition-matrix",
    "continuous-time-markov-chain",
    "probability-density-function",
    "stationary-distribution",
    "reversible-process",
    "linear-algebra",
    "spectral-theorem",
    "eigenvalues-and-eigenvectors",
    "inner-product",
    "statistical-mechanics",
    "boltzmann-distribution",
    "partition-function",
    "boltzmann-constant",
    "temperature",
    "chemical-reaction",
    "stoichiometry",
    "markov-chain-monte-carlo",
    "metropolis-hastings-algorithm",
    "posterior-distribution",
    "momentum"
  ],
  "sources": [
    {
      "title": "1 Introduction — Reversible Markov Chains and Random Walks on Graphs",
      "url": "https://www.stat.berkeley.edu/users/aldous/RWG/Book_Ralph/Ch3.S1.html"
    },
    {
      "title": "Mathematical Aspects of Mixing Times in Markov Chains",
      "url": "https://www.stat.berkeley.edu/~aldous/260-FMIE/Papers/montenegro_tetali.pdf"
    },
    {
      "title": "Modeling of Chemical Reaction Systems with Detailed Balance Using Gradient Structures",
      "url": "https://link.springer.com/article/10.1007/s10955-020-02663-4"
    },
    {
      "title": "Revisit of Macroscopic Dynamics for Some Non-equilibrium Chemical Reactions from a Hamiltonian Viewpoint",
      "url": "https://sites.math.duke.edu/~jliu/pdf/Gao_Liu_JSP22.pdf"
    },
    {
      "title": "How to Impose Microscopic Reversibility in Complex Reaction Mechanisms",
      "url": "https://pmc.ncbi.nlm.nih.gov/articles/PMC1304255/"
    },
    {
      "title": "The Metropolis-Hastings algorithm",
      "url": "https://arxiv.org/abs/1504.01896"
    },
    {
      "title": "Acceleration of Convergence to Equilibrium in Markov Chains by Breaking Detailed Balance",
      "url": "https://link.springer.com/article/10.1007/s10955-017-1805-z"
    },
    {
      "title": "Local detailed balance",
      "url": "https://arxiv.org/abs/2011.09200"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}