细致平衡 · aiwiki.page

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)

数学定义

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

P_{ij}=\Pr(X_{n+1}=j\mid X_n=i).

如果归一化分布 $\pi=(\pi_i)_{i\in S}$ 满足

\boxed{\pi_iP_{ij}=\pi_jP_{ji} \qquad\text{对所有 }i,j\in S,}

则称它与 $P$ 满足细致平衡。

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)

对于转移速率为 $q_{ij}$ 的连续时间马尔可夫链，这一条件为

\pi_iq_{ij}=\pi_jq_{ji}.

对于一般状态空间上的转移核 $K$ ，其测度论形式为

\pi(dx)K(x,dy)=\pi(dy)K(y,dx),

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)

细致平衡与平稳性

平稳分布满足全局平衡方程

\pi_j=\sum_i\pi_iP_{ij}.

细致平衡蕴含这些方程：将成对的等式求和，得到

\sum_i\pi_iP_{ij} =\pi_j\sum_iP_{ji} =\pi_j,

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)

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

J=\frac{a-b}{3}.

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)

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)

可逆性与时间反演

对于满足 $\pi_i>0$ 的平稳马尔可夫链，定义反向转移矩阵为

P^{\mathrm{rev}}_{ij} =\frac{\pi_jP_{ji}}{\pi_i}.

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)

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：

\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}.

因此，

(X_0,X_1,\ldots,X_n) \overset{d}{=} (X_n,X_{n-1},\ldots,X_0).

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)

柯尔莫哥洛夫循环判据

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

\prod_{r=0}^{m-1}P_{i_ri_{r+1}} = \prod_{r=0}^{m-1}P_{i_{r+1}i_r}.

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)

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，

\frac{\pi_j}{\pi_i}=\frac{P_{ij}}{P_{ji}}.

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)

线性代数方面的推论

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

D=\operatorname{diag}(\pi_1,\ldots,\pi_N).

平衡方程可以写为

DP=P^{\mathsf T}D.

因此，与 $P$ 相似的矩阵

S=D^{1/2}PD^{-1/2}

是实对称矩阵。其元素满足

S_{ij}=\sqrt{\frac{\pi_i}{\pi_j}}P_{ij}=S_{ji}.

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)

等价地，马尔可夫算子在加权内积

\langle f,g\rangle_\pi=\sum_i\pi_i f_i g_i

下是自伴的。与之相关的二次型为

\langle f,(I-P)f\rangle_\pi = \frac12\sum_{i,j}\pi_iP_{ij}(f_i-f_j)^2.

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)

平衡态物理与化学动力学

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：

\pi_i=Z^{-1}e^{-\beta E_i}, \qquad \beta=\frac{1}{k_{\mathrm B}T},

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

\frac{q_{ij}}{q_{ji}} =e^{-\beta(E_j-E_i)}.

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)

对于遵循质量作用动力学的可逆化学反应

\sum_s\alpha_{rs}A_s \rightleftharpoons \sum_s\beta_{rs}A_s,

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

k_r^+\prod_s(c_s^*)^{\alpha_{rs}} = k_r^-\prod_s(c_s^*)^{\beta_{rs}}.

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)

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)

蒙特卡洛采样

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)

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

\alpha(x,y) = \min\left\{ 1,\frac{\pi(y)q(x\mid y)} {\pi(x)q(y\mid x)} \right\}

接受该候选状态。对于不同的状态，

\pi(x)q(y\mid x)\alpha(x,y) = \min\{\pi(x)q(y\mid x),\,\pi(y)q(x\mid y)\},

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)

$\pi$ 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)

局限与相关概念

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：

\log\frac{q_{ij}}{q_{ji}} = \frac{\Delta s_{\mathrm{env}}(i\to j)}{k_{\mathrm B}},

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)

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)

参考来源

1 Introduction — Reversible Markov Chains and Random Walks on Graphsstat.berkeley.edu
Mathematical Aspects of Mixing Times in Markov Chainsstat.berkeley.edu
Modeling of Chemical Reaction Systems with Detailed Balance Using Gradient Structureslink.springer.com
Revisit of Macroscopic Dynamics for Some Non-equilibrium Chemical Reactions from a Hamiltonian Viewpointsites.math.duke.edu
How to Impose Microscopic Reversibility in Complex Reaction Mechanismspmc.ncbi.nlm.nih.gov
The Metropolis-Hastings algorithmarxiv.org
Acceleration of Convergence to Equilibrium in Markov Chains by Breaking Detailed Balancelink.springer.com
Local detailed balancearxiv.org