二阶导数在数学和物理学中究竟有什么用？

欢迎大家来到IT世界,在知识的湖畔探索吧!

你无需了解球体以外的世界。要知道这里的势能是多少，你只需告诉我它在任何球体表面的值，无论球体多小。你无需向外探索，只需告诉我附近有什么，以及球体中包含多少质量。

提出这一规则的正是物理学家理查德·费曼，这是他在 1964 年康奈尔大学演讲时所说的话。我仍记得当年在大学宿舍观看这段视频时，完全被费曼“球体上的平均值”这一概念搞得一头雾水，百思不得其解。

现在，让我们踏上探索二阶导数的旅程。我认为我们应该首先回顾一下对一阶导数的理解。本质上，假设我们有一个变量 x 和一个点 x₀。

同样地，假设我们有一个函数 f(x)，我已经在图中标出了 f(x₀) 在数轴上的位置。如果我们将 x 从 x₀ 移动一点，f(x) 也会相应地从 f(x₀) 移动一点。如果我们用 f(x) 的变化量除以 x 的变化量，直观上就得到了函数在 x₀ 点的一阶导数。

当然，严格来说，我们需要考虑极限等概念，但这就是对导数最直观的理解。所以一阶导数直观地告诉我们，当我们改变自变量 x 一点点时，函数值 f 会改变多少。那么二阶导数呢？它告诉我们什么？我们通常被告知，它告诉我们一阶导数如何随着自变量的微小变化而变化。

但这种理解并不尽如人意。我真正想知道的不是二阶导数之于一阶导数的意义，而是它对函数本身的意义。

那么，我们如何才能直观地理解二阶导数呢？这里就轮到费曼的“球面平均值”概念登场了。让我们深入研究它，先从一维空间开始。假设我们有一个函数，让我们关注其中一个特定的点 x₀。

我想做的是观察 x₀ 附近的点，这两个点都与 x₀ 相距 dx。注意，这就是一维空间中的“球体”，即距离 x₀ 为 dx 的所有点。

现在，让我们再次相信费曼的思路，我想知道 x₀ 附近的点的函数值 f 平均是高于还是低于 x₀ 处的函数值。在图中我们看到它们都更高。但是我们如何量化这一点呢？一种方法是计算 f 在 x₀ 附近点的平均值，我在这里用双括号表示平均值。

然后用这个平均值减去 x₀ 点的函数值。这应该可以告诉我们 x₀ 周围的点平均高出或低出多少。花点时间确保你理解了这个表达式所代表的含义。

这似乎是一个随意构造的表达式，但让我们继续推演下去。首先，让我们计算一下这个平均值。计算 x₀ 附近两个值的平均值，就像我们预期的那样，通过相加然后除以 2 来计算。

现在，记住 dx 应该非常小，所以这启发我们对这两个函数值表达式进行关于 x₀ 点的泰勒展开。x₀ 右侧点的泰勒级数可以写成如下形式，而 x₀ 左侧点的级数可以写成类似的形式。现在，如果我们将两者相加，就会发现 dx 的奇数次幂将会相互抵消，只留下 dx 的偶数次幂。

所以，我们得到了如下结果。注意，如果仅使用这两个表达式的一阶展开，将无法得到这个结果。通常情况下，一阶展开就足够了，但请注意，这里的一阶近似值相互抵消了。

我们稍后会详细讨论这一点，但请记住这个细节。所以，将表达式除以 2，我们得到 x₀ 附近点的函数值平均值可以写成如下形式。现在我们从这个平均值中减去中心点 x₀ 的函数值 f(x₀)。

为了继续下去，我们将表达式两边都除以 dx²。现在，让我们在表达式两边都取 dx 趋于零的极限。注意，右侧所有包含 dx² 及更高次幂的项都将趋于零。

如果我们将二阶导数前面的 1/2 移到左边，就得到了最终的结果。这是一个非常简洁优美的结果。我们发现，函数在一点的二阶导数与该点周围函数值的平均值与其自身值的差值有关。

如果我们花点时间思考这个结果，就会发现它非常直观。我们知道，通常使用二阶导数来研究函数的曲率。如果一个函数是凹的，那么在任何一点，它周围的函数值平均都更高。

所以我们刚才推导出来的极限将是正的，对应一个正的二阶导数。反之，如果一个函数是凸的，那么在任何一点，它周围的函数值平均都更低。所以极限是负的，对应一个负的二阶导数。

所以，“球面平均值”的概念实际上就是量化函数曲率的一种方式，而函数曲率恰好与二阶导数密切相关。那么直线的曲率是多少呢？是零，这解释了为什么泰勒展开式中的一阶项被抵消了。这些项代表函数的线性部分，对曲率没有任何贡献。

所以我们看到，对于单变量函数，二阶导数在几何上有一个非常简洁的解释，即一个点周围函数值的平均值与其自身值的差值。现在，假设我们想把这个概念扩展到三维空间，应该怎么做呢？这自然而然地成为了一个多变量微积分问题，但我们可以猜测在这种情况下解决方案是什么。

在三维空间中，为了找到一个点周围的函数的平均值，我们需要观察以该点为球心，半径为 dx 的小球体，并计算球面上所有函数值的平均值。然后，我们用球心处函数值减去这个平均值。我们认为这与某种三维版本的二阶导数有关。

事实证明，这个猜想是完全正确的。在三维空间中，相应的表达式如下所示，其中三维空间中的二阶导数用 Δ 这个符号表示，称为拉普拉斯算子。与一维情况唯一的区别是，2 变成了 6。实际上，这个数字总是你所在维度数的两倍。

对于学习过多变量微积分的人来说，你应该已经认出了拉普拉斯算子，并且知道如何计算它。但对于那些没有学过的人来说，可以简单地将它理解为三维空间中的二阶导数。对于那些对这个结论的推导过程感兴趣的人，我在描述中提供了一个清晰的推导链接。

这是一个更适合在纸上推导的表达式，你可以在纸上看到每个计算步骤，而不必忍受我在屏幕上连续闪过 100 个方程，持续 20 分钟。话虽如此，这个方程的直观理解与一维情况完全相同。现在，把这个表达式作为已知结论，我们实际上已经可以用它来直观地推导出现代物理学中一些最重要的方程，而不需要进行任何繁琐的数学运算。

例如，假设我们有一个由函数 ρ(x) 定义的电荷分布。我们如何推导出一个方程来表示由这种电荷分布产生的势能函数？虽然这看起来像是一个难题，但我们可以利用我们对二阶导数的新理解来尝试解决它。假设我们有一个负电荷区域。如果我们引入一个正电荷，并把它从这个区域拉开，由于异性电荷相互吸引，我们需要克服电场力做功，因此正电荷在远离负电荷区域的过程中获得了电势能，就像我们举起一个物体使其获得更大的重力势能一样。

同样，如果我们有一个正电荷区域，而我们把一个正电荷从这个区域拉开，由于同种电荷相互排斥，我们需要克服电场力做负功，因此正电荷会损失势能。所以，让我们用这种直观的物理图像来构建一个微分方程。假设我们在所有空间中都定义了势能函数 U(x)，让我们看一下其中某个点 x₀。

然后我们可以考察 x₀ 周围一个小球体上的平均势能。如果势能在远离 x₀ 的点上更大，那么我们的直觉告诉我们，这里应该有一些负电荷，因为这意味着正电荷通过远离 x₀ 获得了势能。同样，如果势能在远离 x₀ 的点上更小，那么我们的直觉告诉我们，这里应该有一些正电荷。

所以，总结以上所有的分析，我们可以根据物理直觉猜测，也许以下形式的方程是正确的：势能的二阶导数（它告诉我们任意一点周围势能平均高出多少）应该与该点 x₀ 处的电荷密度的负值成正比。花点时间理解一下，你会发现这完美地描述了我们刚才得到的结论。

事实证明，这个方程是完全正确的。它实际上就是麦克斯韦方程组中的一个，其中系数 A 等于自由空间的介电常数的倒数。所以我们仅凭直觉就推导出了一个物理方程，而不需要任何复杂的电磁理论知识。

虽然我们很幸运，ρ 没有更复杂的形式，但你会惊讶于自然法则往往选择最简洁的表达方式。现在，回到量子力学，我们也可以利用我们对二阶导数的新理解，来建立对量子现象更深刻的直观理解。具体来说，我想分析一下量子力学中的动能算符，它在位置表象中可以写成二阶导数的形式。

即使你以前从未接触过量子力学，我们仍然可以理解为什么这个量应该代表动能。回顾一下量子物理学，波函数 ψ(x) 是一个描述粒子在空间中各个位置出现概率幅度的函数。仅仅利用这一点，我们就已经可以用我们对二阶导数的理解来推导出一些量子物理中的结论。

首先，让我们假设我们粒子的位置波函数看起来像一个简单的高斯函数。现在，我们假设它是一个相当“窄”的高斯函数，这意味着我们的粒子很好地集中在空间中的某个点附近。那么我们如何理解作用在这个波函数上的动能算符呢？如果我们暂时把上面推导出的关系作为事实，那么在波函数峰值处，周围所有点的函数值平均来说都要小得多。

所以，利用我们建立的直觉，我们预计二阶导数将是一个很大的负数。当它乘以负号时，意味着动能的值应该是一个相对较大的正数。我说“相对”是因为普朗克常数 ħ 很小，但我们把高斯函数局限得越窄，这个动能的值就越大。这应该是一个有点反直觉的结果。

虽然在一个点上谈论算符的物理意义有点牵强，但这种说法在我们粒子所在的区域内大致是正确的。那么为什么这会与我们的直觉相悖呢？我们只是定义了粒子在空间中的位置，而没有规定它是如何运动的，也没有规定它朝哪个方向运动。那么，为什么我们的粒子会有这么大的动能呢？我们在这里发现的实际上是海森堡不确定性原理的一种体现。

注意，我们的粒子被限制在一个很小的空间范围内，所以它在位置上的不确定性非常低。根据不确定性原理，我们因此必须对粒子的动量有很大的不确定性，因此它可以取很大的值，从而增加粒子的动能。事实上，如果我们让这个初始量子态随时间演化，我们得到的解将是一个随着时间推移而“扩散”开来的高斯函数，因为动量不确定性带来的额外动能会把粒子向外“推”。

所以现在我们可以看到，量子力学中的动能算符不仅测量了我们粒子的运动速度，而且还包含了不确定性原理如何影响其运动的信息。波函数越“局部化”，也就是说它周围的函数值平均来说越小，它的运动和能量就越会被动量不确定性所影响。我认为这种联系非常奇妙，它让我们对不确定性原理是如何通过二阶导数融入薛定谔方程有了一些直观的认识。