德拜势的详细推导

目录

第一步:明确我们的目标方程

第二步:执行"数学技巧" (变量代换)

第三步:得到简化后的方程

第四步:求解通解

第五步:由物理边界条件定系数 (Physically Meaningful Solution)

最终结果


这是一段非常经典的数学物理推导。图中展示了一个核心的数学技巧:变量代换

为了彻底看懂这个过程,这里把省略的微积分中间步骤一步步还原出来。我们利用图片中给出的提示 来解这个微分方程。

第一步:明确我们的目标方程

根据 图中顶部的方程:

这是一个关于 的二阶微分方程。直接解 很麻烦,因为左边有 这种项。

第二步:执行"数学技巧" (变量代换)

令:

我们要把这个式子代入原方程的左边,看看能化简成什么样。

  1. 求一阶导数

利用商的导数法则

  1. 乘以(方程左边括号里的部分):

乘以 后,分母消掉了,式子变得很清爽。

  1. 再求一次导数

对上一步的结果 求导:

注意这里用到了积的导数法则。你会发现正负 相互抵消了!

结果只剩下:

  1. 最后除以(完成左边的全部运算):

第三步:得到简化后的方程

现在把我们算出的左边和右边(把 换成 )放在一起:

左边

右边

两边都有 ,直接约掉!我们得到了一个极其简单的常系数微分方程:

\或者写成

第四步:求解通解

这是一个标准的 y'' - k\^2 y = 0 型方程。它的解是指数形式:

| 情况 | 特征根 | 通解形式 (C1​,C2​ 为常数) |
| | 两个不等的实根 | |
| | 两个相等的实根 | |

一对共轭复根

换回 (记得 ):

这就是 图中提到的"通解形式"。

第五步:由物理边界条件定系数 (Physically Meaningful Solution)

数学上我们有两个常数,物理上我们要确定它们是谁。

  1. 无穷远处的条件 ():

    电势不能是无穷大。但是 这一项随着距离增加会爆炸式增长(发散)。

    为了让物理有意义,必须强制 (舍去发散项)。

    此时方程变为:

  2. 零点附近的条件 ():

    当距离电荷非常非常近时(),屏蔽效应还没来得及发生,等离子体看起来和真空没区别。电势应该回归到点电荷的库仑电势。

    • 数学上:当 时,

    • 所以:

    • 对比真空库仑定律:

    • 结论:

最终结果

代入,就得到了著名的德拜势(汤川势):

以上就是整个推导过程。

相关推荐
_OP_CHEN1 天前
【算法基础篇】(五十七)线性代数之矩阵乘法从入门到实战:手撕模板 + 真题详解
线性代数·算法·矩阵·蓝桥杯·c/c++·矩阵乘法·acm/icpc
芷栀夏1 天前
CANN ops-math:从矩阵运算到数值计算的全维度硬件适配与效率提升实践
人工智能·神经网络·线性代数·矩阵·cann
种时光的人1 天前
CANN仓库核心解读:catlass夯实AIGC大模型矩阵计算的算力基石
线性代数·矩阵·aigc
Zfox_2 天前
CANN Catlass 算子模板库深度解析:高性能矩阵乘(GEMM)原理、融合优化与模板化开发实践
线性代数·矩阵
lbb 小魔仙2 天前
面向 NPU 的高性能矩阵乘法:CANN ops-nn 算子库架构与优化技术
线性代数·矩阵·架构
劈星斩月2 天前
线性代数-3Blue1Brown《线性代数的本质》特征向量与特征值(12)
线性代数·特征值·特征向量·特征方程
池央2 天前
ops-nn 算子库中的数据布局与混合精度策略:卷积、矩阵乘法与 RNN 的优化实践
rnn·线性代数·矩阵
深鱼~2 天前
大模型底层算力支撑:ops-math在矩阵乘法上的优化
人工智能·线性代数·矩阵·cann
Zfox_2 天前
CANN PyPTO 编程范式深度解析:并行张量与 Tile 分块操作的架构原理、内存控制与流水线调度机制
线性代数·矩阵·架构
TechWJ2 天前
catlass深度解析:Ascend平台的高性能矩阵运算模板库
线性代数·矩阵·ascend·cann·catlass