# 量子力学入门：用Python模拟海森堡不确定性原理（附代码） 很多对物理和编程都感兴趣的朋友，可能都曾有过这样的念头：那些听起来玄之又玄的量子力学概念，能不能用我们熟悉的代码“跑”出来看看？理论公式固然优美，但亲手写几行程序，看着图表动态生成，那种“眼见为实”的体验，往往能带来更深刻的理解。今天，我们就来尝试用Python这个强大的工具，把量子力学中最著名的原理之一——海森堡不确定性原理，从抽象的数学不等式，变成一个可以交互、可以调整、可以直观感受的模拟实验。 这篇文章面向的，正是那些有一定Python基础（熟悉NumPy和Matplotlib即可），并对量子世界充满好奇的开发者、学生或科技爱好者。我们不会陷入复杂的数学推导，而是聚焦于如何用编程思维来构建物理模型。你将看到，如何用一个高斯波包来代表一个“粒子”的状态，如何通过傅里叶变换在位置和动量两个“视角”间切换，并最终通过计算和可视化，亲眼见证位置测量越精确，动量就越模糊这一反直觉的量子现象。整个过程，就像在代码中搭建一个微型的量子实验室。 ## 1. 从经典直觉到量子现实：为什么需要模拟？ 在开始敲代码之前，我们得先理清一个根本性的思维转换。在经典物理的世界里，比如描述一个飞行的棒球，我们可以同时知道它某一时刻精确的位置（在球场的哪个坐标）和精确的动量（速度乘以质量）。理论上，只要测量仪器足够精密，这两个值可以无限精确地确定。我们的直觉也建立在这种“确定性”之上。 然而，进入微观的量子世界，比如一个电子，这套直觉就完全失灵了。海森堡不确定性原理指出，对于像位置（x）和动量（p）这样的一对“共轭”物理量，你无法同时无限精确地知道它们。这种限制不是因为我们仪器太烂，而是自然法则本身设下的底线。其数学表达是一个不等式： \[ \sigma_x \cdot \sigma_p \geq \frac{\hbar}{2} \] 这里，\(\sigma_x\) 和 \(\sigma_p\) 分别代表位置和动量的标准差，即“不确定性”的度量。\(\hbar\)（读作“h-bar”）是约化普朗克常数，一个极其微小的数（约 \(1.054 \times 10^{-34} J \cdot s\)），但它却是量子世界的“刻度尺”。这个不等式告诉我们，两者不确定度的乘积有一个最小值。试图压扁其中一个，另一个就必然会膨胀。 > 注意：你可能会看到有些资料用 \(\Delta x\) 和 \(\Delta p\) 表示测量误差。在更严格的量子力学表述中，我们通常用波函数的标准差 \(\sigma\) 来定义这种内在的不确定性，这比“测量误差”的表述更本质。 那么，如何“看到”这个原理呢？这正是编程模拟的魅力所在。我们将用量子力学中描述粒子状态的核心工具——波函数 \(\psi(x)\) 来构建模型。波函数绝对值的平方 \(|\psi(x)|^2\) 给出了在位置x处找到粒子的概率密度。而通过傅里叶变换，我们可以得到动量空间的波函数 \(\phi(p)\)，其绝对值的平方 \(|\phi(p)|^2\) 则给出了粒子具有动量p的概率密度。我们的模拟，就是围绕构建和操作这个波函数展开的。 ## 2. 构建我们的量子实验室：环境与波函数初始化 工欲善其事，必先利其器。我们的模拟将完全在Python环境中进行，主要依赖两个库：`NumPy` 负责所有数组运算和数学计算，`Matplotlib` 负责将结果可视化。如果你还没有安装，可以通过pip快速安装： ```bash pip install numpy matplotlib ``` 首先，我们来搭建模拟的“舞台”。在量子力学中，我们通常在一个有限的、离散化的空间网格上进行计算。这就像用像素点来描绘一幅连续的画面。 ```python import numpy as np import matplotlib.pyplot as plt # 设置模拟参数 N = 1024 # 空间网格点数，越多越精确，但计算量越大 L = 100.0 # 模拟空间的长度（任意单位，如纳米） x = np.linspace(-L/2, L/2, N) # 从 -L/2 到 L/2 均匀分布的位置坐标数组 dx = x[1] - x[0] # 网格间距 ``` 接下来，我们要创造一个具体的量子态。为了便于理解和计算，我们选择**高斯波包**作为初始波函数。它是一个在位置空间呈高斯分布（钟形曲线）的波函数，具有明确的中心位置和宽度，是量子力学教科书中最常见的模型之一。 高斯波函数的形式为： \[ \psi(x) = \frac{1}{(2\pi\sigma_x^2)^{1/4}} \exp\left(-\frac{(x-x_0)^2}{4\sigma_x^2} + i k_0 x\right) \] 别被这个公式吓到，我们拆解一下： - 指数部分的实部 `-(x-x_0)^2/(4\sigma_x^2)` 控制着波包在位置空间的形状。\(x_0\) 是波包的中心位置，\(\sigma_x\) 就是位置的不确定度，即波包的宽度。 - 指数部分的虚部 `i k_0 x` 赋予了波包一个整体的运动趋势。其中 \(k_0 = p_0 / \hbar\) 是波数，与粒子的平均动量 \(p_0\) 相关。 - 前面的系数是为了让波函数满足归一化条件（总概率为1）。 让我们用代码来实现它： ```python def gaussian_wavepacket(x, x0, sigma_x, k0): """ 生成一个高斯波包。 参数: x: 位置坐标数组 x0: 波包中心位置 sigma_x: 位置空间的标准差（宽度） k0: 中心波数 (p0 / hbar) 返回: psi: 复数形式的波函数数组 """ # 归一化系数 normalization = (1.0/(2*np.pi*sigma_x**2))**0.25 # 高斯包络部分 envelope = np.exp(-(x - x0)**2 / (4.0 * sigma_x**2)) # 平面波部分（提供动量） plane_wave = np.exp(1j * k0 * x) # 1j是Python中虚数单位i psi = normalization * envelope * plane_wave return psi # 设置波包参数 x0 = 0.0 # 初始中心在原点 sigma_x = 2.0 # 位置不确定度（波包宽度） k0 = 1.0 # 初始波数，决定平均动量 hbar = 1.0 # 为了简化，令约化普朗克常数 hbar = 1（自然单位） # 生成波函数 psi_x = gaussian_wavepacket(x, x0, sigma_x, k0) ``` 现在，`psi_x` 就是我们粒子在位置空间的“状态描述”了。我们可以先可视化一下它的概率密度： ```python plt.figure(figsize=(10, 4)) plt.subplot(1, 2, 1) plt.plot(x, np.abs(psi_x)**2, 'b-', linewidth=2, label=r'$|\psi(x)|^2$') plt.fill_between(x, 0, np.abs(psi_x)**2, alpha=0.3) plt.xlabel('位置 (x)') plt.ylabel('概率密度') plt.title('位置空间的概率分布（高斯波包）') plt.grid(True, alpha=0.3) plt.legend() # 为了更直观，也看看波函数的实部和虚部（它是个复数！） plt.subplot(1, 2, 2) plt.plot(x, psi_x.real, 'r-', label='实部') plt.plot(x, psi_x.imag, 'g-', label='虚部') plt.xlabel('位置 (x)') plt.ylabel('振幅') plt.title('波函数的实部与虚部') plt.grid(True, alpha=0.3) plt.legend() plt.tight_layout() plt.show() ``` 运行这段代码，你会看到两个图。左边是熟悉的钟形曲线，表示在中心点附近找到粒子的概率最大，越往两边概率越小。右边则展示了波函数作为复函数的振荡特性，那个振荡的频率就隐含了动量信息。 ## 3. 切换视角：傅里叶变换与动量空间 量子力学的一个美妙之处在于，位置和动量描述是等价的，可以通过傅里叶变换相互转换。这就像看待同一个物体的两张不同照片：一张是正面照（位置空间），一张是侧面照（动量空间）。NumPy提供的 `np.fft.fft`（快速傅里叶变换）函数正是我们切换视角的“魔法镜”。 在量子力学中，动量空间的波函数 \(\phi(p)\) 是位置空间波函数 \(\psi(x)\) 的傅里叶变换（差一个常数因子）： \[ \phi(p) = \frac{1}{\sqrt{2\pi\hbar}} \int_{-\infty}^{\infty} \psi(x) e^{-i p x / \hbar} dx \] 而 \(|\phi(p)|^2\) 就是在动量p处找到粒子的概率密度。 对于我们在离散网格上计算的 `psi_x`，需要进行离散傅里叶变换(DFT)。这里有几个技术细节需要注意： 1. **fft的频率顺序**：`np.fft.fft` 输出的默认频率顺序是0到正频率，再到负频率。我们需要用 `np.fft.fftshift` 将其调整为零频率在中心的顺序，这样画图更直观。 2. **动量坐标的生成**：动量网格与空间网格的间距满足傅里叶变换的互易关系。 3. **归一化**：DFT的结果需要乘以一个尺度因子才能得到正确的 \(\phi(p)\)。 下面的函数封装了这些步骤： ```python def position_to_momentum(psi_x, dx, hbar=1.0): """ 通过傅里叶变换将位置空间波函数转换到动量空间。 参数: psi_x: 位置空间波函数（复数数组） dx: 位置网格间距 hbar: 约化普朗克常数 返回: p: 动量坐标数组 phi_p: 动量空间波函数（复数数组） """ N = len(psi_x) # 执行傅里叶变换并调整频率顺序 fft_result = np.fft.fftshift(np.fft.fft(psi_x)) # 生成对应的动量坐标 # 动量网格的间距 dp = 2πħ / (N * dx) dp = 2 * np.pi * hbar / (N * dx) # 生成以0为中心的动量数组 p = np.fft.fftshift(np.fft.fftfreq(N, d=dx/(2*np.pi*hbar))) # 对FFT结果进行归一化，使其满足量子力学中的傅里叶变换定义 phi_p = fft_result * dx / np.sqrt(2 * np.pi * hbar) return p, phi_p # 转换到动量空间 p, phi_p = position_to_momentum(psi_x, dx, hbar) # 计算位置和动量的不确定度（标准差） # 位置不确定度：sigma_x = sqrt(<x^2> - <x>^2) prob_x = np.abs(psi_x)**2 x_mean = np.sum(x * prob_x) * dx # 位置期望值 <x> x2_mean = np.sum(x**2 * prob_x) * dx # <x^2> sigma_x_calculated = np.sqrt(x2_mean - x_mean**2) # 动量不确定度：sigma_p = sqrt(<p^2> - <p>^2) prob_p = np.abs(phi_p)**2 dp_value = p[1] - p[0] # 动量网格间距 p_mean = np.sum(p * prob_p) * dp_value # 动量期望值 <p> p2_mean = np.sum(p**2 * prob_p) * dp_value # <p^2> sigma_p_calculated = np.sqrt(p2_mean - p_mean**2) print(f"理论设定的位置不确定度 sigma_x: {sigma_x:.4f}") print(f"从波函数计算的位置不确定度 sigma_x: {sigma_x_calculated:.4f}") print(f"从波函数计算的动量不确定度 sigma_p: {sigma_p_calculated:.4f}") print(f"两者的乘积 sigma_x * sigma_p: {sigma_x_calculated * sigma_p_calculated:.4f}") print(f"海森堡极限 ħ/2: {hbar/2:.4f}") ``` 运行后，控制台会输出计算的不确定度及其乘积。对于一个理想的高斯波包，这个乘积会精确等于 \(\hbar/2\)，达到不确定性原理所允许的最小值，我们称这样的波包为**最小不确定度波包**。现在，让我们把位置和动量两个空间的概率分布画在一起对比： ```python plt.figure(figsize=(12, 5)) # 位置空间分布 plt.subplot(1, 2, 1) plt.plot(x, np.abs(psi_x)**2, 'b-', linewidth=2) plt.fill_between(x, 0, np.abs(psi_x)**2, color='blue', alpha=0.3) plt.axvline(x=x_mean, color='red', linestyle='--', label=f'均值 = {x_mean:.2f}') plt.axvline(x=x_mean - sigma_x_calculated, color='orange', linestyle=':', label=f'±σ_x = {sigma_x_calculated:.2f}') plt.axvline(x=x_mean + sigma_x_calculated, color='orange', linestyle=':') plt.xlabel('位置 (x)') plt.ylabel('概率密度') plt.title(f'位置空间分布 (σ_x = {sigma_x_calculated:.3f})') plt.legend() plt.grid(True, alpha=0.3) # 动量空间分布 plt.subplot(1, 2, 2) plt.plot(p, np.abs(phi_p)**2, 'g-', linewidth=2) plt.fill_between(p, 0, np.abs(phi_p)**2, color='green', alpha=0.3) plt.axvline(x=p_mean, color='red', linestyle='--', label=f'均值 = {p_mean:.2f}') plt.axvline(x=p_mean - sigma_p_calculated, color='orange', linestyle=':', label=f'±σ_p = {sigma_p_calculated:.2f}') plt.axvline(x=p_mean + sigma_p_calculated, color='orange', linestyle=':') plt.xlabel('动量 (p)') plt.ylabel('概率密度') plt.title(f'动量空间分布 (σ_p = {sigma_p_calculated:.3f})') plt.legend() plt.grid(True, alpha=0.3) plt.tight_layout() plt.show() ``` 这张对比图是理解不确定性原理的关键。左边，位置概率分布是一个狭窄的峰（由我们设定的 `sigma_x=2.0` 决定）。右边，动量概率分布也是一个高斯峰，但其宽度 \(\sigma_p\) 被“挤”了出来。两者的形状恰好呈现出一种“互补”关系。 ## 4. 动态演示：改变宽度，观察不确定性“跷跷板” 理论告诉我们，\(\sigma_x\) 和 \(\sigma_p\) 像坐跷跷板，一个下去，另一个就得上来。现在，让我们用交互式模拟来亲身体验这种关系。我们将创建一系列不同初始宽度 \(\sigma_x\) 的高斯波包，计算它们对应的动量分布，并观察两者不确定度的变化。 为了方便演示，我们写一个函数来执行单次模拟和绘图： ```python def simulate_uncertainty(sigma_x_val, k0=1.0): """模拟给定位置不确定度下的波包，并计算其动量不确定度""" # 生成波函数 psi = gaussian_wavepacket(x, x0=0.0, sigma_x=sigma_x_val, k0=k0) # 转换到动量空间 p_vals, phi = position_to_momentum(psi, dx, hbar) # 计算不确定度 prob_x = np.abs(psi)**2 x_mean = np.sum(x * prob_x) * dx x2_mean = np.sum(x**2 * prob_x) * dx sigma_x_calc = np.sqrt(x2_mean - x_mean**2) prob_p = np.abs(phi)**2 dp_val = p_vals[1] - p_vals[0] p_mean = np.sum(p_vals * prob_p) * dp_val p2_mean = np.sum(p_vals**2 * prob_p) * dp_val sigma_p_calc = np.sqrt(p2_mean - p_mean**2) return sigma_x_calc, sigma_p_calc, psi, phi, p_vals # 测试一组不同的sigma_x值 sigma_x_list = [0.5, 1.0, 2.0, 4.0, 8.0] results = [] for sx in sigma_x_list: sx_calc, sp_calc, psi_temp, phi_temp, p_temp = simulate_uncertainty(sx) results.append((sx_calc, sp_calc, psi_temp, phi_temp, p_temp)) print(f"设定 σ_x={sx:.1f}: 计算 σ_x={sx_calc:.3f}, σ_p={sp_calc:.3f}, 乘积={sx_calc*sp_calc:.4f}") ``` 输出会显示，无论 \(\sigma_x\) 如何变化，两者的乘积始终围绕 \(\hbar/2 = 0.5\) 波动（由于数值离散化，会有微小误差）。为了更生动地展示，我们可以把不同宽度波包的位置和动量分布画在一张图上进行对比： ```python fig, axes = plt.subplots(2, len(sigma_x_list), figsize=(16, 6)) colors = plt.cm.viridis(np.linspace(0, 1, len(sigma_x_list))) for idx, (sx_calc, sp_calc, psi_temp, phi_temp, p_temp) in enumerate(results): color = colors[idx] # 绘制位置分布 ax_pos = axes[0, idx] ax_pos.plot(x, np.abs(psi_temp)**2, color=color, linewidth=2) ax_pos.fill_between(x, 0, np.abs(psi_temp)**2, color=color, alpha=0.4) ax_pos.set_title(f'σ_x = {sx_calc:.2f}') ax_pos.set_xlabel('x') ax_pos.grid(True, alpha=0.3) if idx == 0: ax_pos.set_ylabel('|ψ(x)|²') # 绘制动量分布 ax_mom = axes[1, idx] ax_mom.plot(p_temp, np.abs(phi_temp)**2, color=color, linewidth=2) ax_mom.fill_between(p_temp, 0, np.abs(phi_temp)**2, color=color, alpha=0.4) ax_mom.set_title(f'σ_p = {sp_calc:.2f}') ax_mom.set_xlabel('p') ax_mom.grid(True, alpha=0.3) if idx == 0: ax_mom.set_ylabel('|φ(p)|²') plt.suptitle('位置不确定度 σ_x 与动量不确定度 σ_p 的互补关系', fontsize=14) plt.tight_layout() plt.show() ``` 观察这组对比图，规律一目了然：**第一行**，位置空间的波包从左到右逐渐“展宽”（\(\sigma_x\) 增大）。**第二行**，对应的动量空间波包则从左到右逐渐“变窄”（\(\sigma_p\) 减小）。最左边一列，位置波包非常尖锐（位置很确定），但动量波包非常弥散（动量极不确定）。最右边一列则相反，位置很模糊，但动量很确定。这完美诠释了“鱼与熊掌不可兼得”的量子版本。 为了定量验证不确定性关系，我们可以绘制 \(\sigma_x\) 与 \(\sigma_p\) 以及它们乘积的关系曲线： ```python # 收集更多数据点进行平滑绘图 sigma_x_range = np.linspace(0.3, 10, 50) sigma_p_vals = [] products = [] for sx_val in sigma_x_range: sx_c, sp_c, _, _, _ = simulate_uncertainty(sx_val, k0=0) # 令k0=0，让波包静止，简化分析 sigma_p_vals.append(sp_c) products.append(sx_c * sp_c) plt.figure(figsize=(12, 4)) # 子图1: σ_p 随 σ_x 的变化 plt.subplot(1, 3, 1) plt.plot(sigma_x_range, sigma_p_vals, 'b-o', markersize=3, linewidth=2) plt.xlabel('位置不确定度 σ_x') plt.ylabel('动量不确定度 σ_p') plt.title('σ_p 与 σ_x 的关系') plt.grid(True, alpha=0.3) plt.axhline(y=0.5, color='gray', linestyle='--', alpha=0.5) # ħ/2 线 # 子图2: 乘积 σ_x * σ_p plt.subplot(1, 3, 2) plt.plot(sigma_x_range, products, 'r-s', markersize=3, linewidth=2) plt.axhline(y=hbar/2, color='k', linestyle='--', label='ħ/2') plt.xlabel('位置不确定度 σ_x') plt.ylabel('乘积 σ_x * σ_p') plt.title('不确定性乘积') plt.legend() plt.grid(True, alpha=0.3) # 子图3: 双对数坐标下的反比关系 plt.subplot(1, 3, 3) plt.loglog(sigma_x_range, sigma_p_vals, 'g-^', markersize=3, linewidth=2) # 绘制一条斜率为-1的参考线，表示反比关系 y ∝ 1/x ref_x = np.array([0.5, 5]) ref_y = 0.5 / ref_x # 因为 σ_x * σ_p ≈ 0.5 plt.loglog(ref_x, ref_y, 'k:', label='斜率 -1 (反比)') plt.xlabel('σ_x (对数坐标)') plt.ylabel('σ_p (对数坐标)') plt.title('对数坐标：σ_p ∝ 1/σ_x') plt.legend() plt.grid(True, alpha=0.3, which='both') plt.tight_layout() plt.show() ``` 从这三个图中，我们可以清晰地看到： 1. **反比趋势**：\(\sigma_p\) 随着 \(\sigma_x\) 增大而单调减小。 2. **乘积守恒**：无论 \(\sigma_x\) 如何变化，\(\sigma_x \cdot \sigma_p\) 的乘积始终在 \(\hbar/2\) 这条线上下轻微波动（数值误差导致）。 3. **反比关系的对数证据**：在双对数坐标下，两者关系接近一条斜率为-1的直线，这正是反比关系 \(y \propto 1/x\) 的特征。 ## 5. 超越高斯波包：探索更一般的量子态 高斯波包是一个特例，它达到了不确定性原理的下限。但量子态可以有无穷多种形式，它们的不确定度乘积通常**大于** \(\hbar/2\)。我们可以通过构造非高斯的波函数来验证这一点。例如，考虑一个“双峰”波函数，或者一个在有限区间内均匀分布的波函数。 让我们尝试一个简单的非高斯态：**无限深方势阱中的基态波函数**。在区间 \([-a, a]\) 内，其波函数为 \(\psi(x) = \frac{1}{\sqrt{a}} \cos(\frac{\pi x}{2a})\)，之外为0。这个波函数不是高斯型的，我们预期它的不确定度乘积会更大。 ```python def infinite_well_ground_state(x, a=5.0): """ 无限深方势阱（宽度为2a）的基态波函数。 在 |x| < a 内为 cos(πx/(2a))，之外为0。 """ psi = np.zeros_like(x, dtype=complex) inside = np.abs(x) < a psi[inside] = (1/np.sqrt(a)) * np.cos(np.pi * x[inside] / (2*a)) # 归一化检查（数值积分） norm = np.sqrt(np.sum(np.abs(psi)**2) * dx) psi = psi / norm # 数值归一化 return psi # 生成势阱基态波函数 a = 5.0 psi_well = infinite_well_ground_state(x, a) # 转换到动量空间 p_well, phi_well = position_to_momentum(psi_well, dx, hbar) # 计算不确定度 prob_x_well = np.abs(psi_well)**2 x_mean_well = np.sum(x * prob_x_well) * dx x2_mean_well = np.sum(x**2 * prob_x_well) * dx sigma_x_well = np.sqrt(x2_mean_well - x_mean_well**2) prob_p_well = np.abs(phi_well)**2 dp_well = p_well[1] - p_well[0] p_mean_well = np.sum(p_well * prob_p_well) * dp_well p2_mean_well = np.sum(p_well**2 * prob_p_well) * dp_well sigma_p_well = np.sqrt(p2_mean_well - p_mean_well**2) product_well = sigma_x_well * sigma_p_well print(f"无限深势阱基态:") print(f" 位置不确定度 σ_x: {sigma_x_well:.4f}") print(f" 动量不确定度 σ_p: {sigma_p_well:.4f}") print(f" 乘积 σ_x * σ_p: {product_well:.4f}") print(f" 是否大于 ħ/2 ({hbar/2:.4f})? {product_well > hbar/2}") ``` 计算结果显示，这个波函数的不确定度乘积确实显著大于0.5。我们可以将其与高斯波包进行对比可视化： ```python # 选择一个宽度类似的高斯波包进行对比 sigma_x_gauss = sigma_x_well # 让位置不确定度大致相同 psi_gauss_compare = gaussian_wavepacket(x, x0=0.0, sigma_x=sigma_x_gauss, k0=0) p_gauss, phi_gauss_compare = position_to_momentum(psi_gauss_compare, dx, hbar) # 计算高斯波包的不确定度（应接近ħ/2） prob_x_g = np.abs(psi_gauss_compare)**2 x2_mean_g = np.sum(x**2 * prob_x_g) * dx sigma_x_g = np.sqrt(x2_mean_g) # 均值为0 prob_p_g = np.abs(phi_gauss_compare)**2 dp_g = p_gauss[1] - p_gauss[0] p2_mean_g = np.sum(p_gauss**2 * prob_p_g) * dp_g sigma_p_g = np.sqrt(p2_mean_g) product_gauss = sigma_x_g * sigma_p_g fig, axes = plt.subplots(2, 2, figsize=(11, 8)) # 位置空间对比 axes[0, 0].plot(x, np.abs(psi_well)**2, 'b-', label='势阱基态', linewidth=2) axes[0, 0].plot(x, np.abs(psi_gauss_compare)**2, 'r--', label='高斯波包', linewidth=2) axes[0, 0].set_xlabel('位置 (x)') axes[0, 0].set_ylabel('概率密度') axes[0, 0].set_title('位置空间分布对比') axes[0, 0].legend() axes[0, 0].grid(True, alpha=0.3) # 动量空间对比 axes[0, 1].plot(p_well, np.abs(phi_well)**2, 'b-', label='势阱基态', linewidth=2) axes[0, 1].plot(p_gauss, np.abs(phi_gauss_compare)**2, 'r--', label='高斯波包', linewidth=2) axes[0, 1].set_xlabel('动量 (p)') axes[0, 1].set_ylabel('概率密度') axes[0, 1].set_title('动量空间分布对比') axes[0, 1].legend() axes[0, 1].grid(True, alpha=0.3) axes[0, 1].set_xlim([-5, 5]) # 限制范围以便观察 # 文本信息对比 axes[1, 0].axis('off') info_text = f""" **无限深势阱基态**: σ_x = {sigma_x_well:.3f} σ_p = {sigma_p_well:.3f} 乘积 = {product_well:.3f} **高斯波包 (σ_x相近)**: σ_x = {sigma_x_g:.3f} σ_p = {sigma_p_g:.3f} 乘积 = {product_gauss:.3f} 海森堡下限 (ħ/2) = {hbar/2:.3f} """ axes[1, 0].text(0.1, 0.5, info_text, fontsize=12, verticalalignment='center', family='monospace') # 不确定性关系图示 axes[1, 1].scatter([sigma_x_well, sigma_x_g], [sigma_p_well, sigma_p_g], s=100, color=['blue', 'red']) axes[1, 1].plot([0, 10], [hbar/2/10, hbar/2/0.1], 'k--', label='σ_x · σ_p = ħ/2', alpha=0.7) # 双曲线 σ_p = (ħ/2)/σ_x axes[1, 1].set_xlabel('σ_x') axes[1, 1].set_ylabel('σ_p') axes[1, 1].set_title('不确定性关系图') axes[1, 1].set_xlim(0, sigma_x_well*1.5) axes[1, 1].set_ylim(0, sigma_p_well*1.5) axes[1, 1].legend() axes[1, 1].grid(True, alpha=0.3) # 标记点 axes[1, 1].annotate('势阱基态', (sigma_x_well, sigma_p_well), xytext=(10, 10), textcoords='offset points') axes[1, 1].annotate('高斯波包', (sigma_x_g, sigma_p_g), xytext=(10, -15), textcoords='offset points') plt.tight_layout() plt.show() ``` 这张对比图清晰地展示了关键区别：虽然我们构造的势阱基态波函数在位置空间（左上图）的宽度（不确定度）与高斯波包相似，但它在动量空间（右上图）的分布却**宽得多**。结果就是，它的不确定度乘积（蓝点）远高于代表最小不确定度的高斯波包（红点），并且红点恰好落在代表下限 \(\sigma_x \cdot \sigma_p = \hbar/2\) 的双曲线上，而蓝点则高高在上。这验证了不确定性原理是一个**不等式**，高斯波包是能达到这个下限的“最紧凑”的状态，而其他状态只会更“不确定”。 ## 6. 从模拟到洞察：理解ℏ的意义与测量诠释 通过上面的模拟，我们不仅看到了不确定性关系的数学形式，更能直观感受其物理内涵。那个看似微不足道的常数 \(\hbar\)（在我们的模拟中设为1），实际上是划定经典与量子界限的“标尺”。在宏观世界，\(\hbar\) 的量级（\(10^{-34}\)）小到可以忽略，因此 \(\sigma_x \cdot \sigma_p \geq 0\) 在实际上等同于没有限制，我们感觉不到这种不确定性。但在原子、电子等微观尺度，\(\hbar\) 的大小变得举足轻重，这个下限约束就凸显出来，从根本上限制了我们对微观世界的认知精度。 > 提示：你可以尝试在代码中将 `hbar` 改为一个更大的值（比如10或100），重新运行模拟。你会发现位置和动量的分布会随之发生显著变化，乘积的下限变大了。这相当于我们想象一个“ħ更大的宇宙”，在那里量子效应在更宏观的尺度上就会显现出来。 最后，关于“测量”的常见误解需要澄清。我们的模拟展示的是量子态**固有的**不确定性，它存在于测量之前。波函数本身就已经包含了这种概率分布。海森堡最初的“显微镜思想实验”容易让人误解，以为是测量动作的干扰（如用光子轰击电子）导致了不确定性的产生。虽然测量确实会扰动系统，但不确定性原理揭示的是更深层的东西：某些成对的物理量（如位置和动量）在量子力学中由**不对易**的算符描述（\([\hat{x}, \hat{p}] = i\hbar\)），这种数学结构决定了它们没有共同的本征态，因此无法同时拥有确定值。我们的模拟没有引入任何“测量过程”，只是展示了不同量子态本身的性质，这恰恰说明了不确定性是状态的内禀属性。 动手模拟到这里，你可能已经对量子力学的这种“模糊性”有了更具体的认识。它不再是书本上一个生硬的公式，而是一个你可以用代码操控、观察甚至“玩”起来的动态关系。这种从抽象到具象的转化，正是计算物理和科学模拟最吸引人的地方。你可以基于本文的代码框架继续探索，比如模拟波包随时间的演化（加入薛定谔方程的时间项），或者尝试其他有趣的初始波函数，看看它们如何 dance on the edge of uncertainty。