### 自扩散系数的定义与计算 自扩散系数（Self-diffusion coefficient）通常用于描述粒子在介质中的随机运动特性。它可以通过均方位移（Mean Square Displacement, MSD）来估算，具体公式如下： \[ D = \lim_{t \to \infty} \frac{\langle |\vec{r}(t) - \vec{r}(0)|^2 \rangle}{6t} \] 其中 \(D\) 表示自扩散系数，\(\vec{r}(t)\) 是粒子的位置矢量，\(t\) 是时间步长。 为了通过 Python 实现该公式的计算，可以按照以下方式编写代码[^1]： ```python import numpy as np def calculate_self_diffusion_coefficient(trajectories, time_steps): """ 计算自扩散系数 参数: trajectories (list of list): 轨迹数据，形状为 [num_particles, num_time_steps, 3] time_steps (array-like): 时间步长数组 返回: float: 平均自扩散系数 """ msd_values = [] for particle_trajectory in trajectories: displacements = np.array(particle_trajectory) - np.array(particle_trajectory[0]) squared_displacements = np.sum(displacements ** 2, axis=1) msd_values.append(squared_displacements) avg_msd = np.mean(msd_values, axis=0) diffusion_coefficients = avg_msd / (6 * time_steps) # 取长时间范围内的平均值作为最终扩散系数 return np.average(diffusion_coefficients[-int(len(time_steps)*0.2):]) # 示例轨迹数据 np.random.seed(42) num_particles = 10 num_time_steps = 100 trajectories = [np.cumsum(np.random.randn(num_time_steps, 3), axis=0) for _ in range(num_particles)] time_steps = np.arange(1, num_time_steps + 1) diffusion_coefficient = calculate_self_diffusion_coefficient(trajectories, time_steps) print(f"自扩散系数: {diffusion_coefficient}") ``` 上述代码实现了基于均方位移的方法来估计自扩散系数。输入参数 `trajectories` 应当是一个三维列表或 NumPy 数组，表示多个粒子随时间变化的空间坐标；`time_steps` 则是对应的时间步长序列[^2]。 需要注意的是，在实际应用中可能还需要考虑周期性边界条件的影响以及更复杂的物理环境因素。如果涉及分子动力学模拟，则需进一步调整程序逻辑以适应特定需求[^3]。