1 熵的基本定义
熵（Entropy）是热力学与统计物理中用于刻画“分散程度”和“状态可能性”的物理量。更精确地说，它反映了系统从宏观角度看所包含的微观信息量：当微观状态的数量更大、或实现某宏观条件的方式更多时，对应熵更高。与此同时，熵还是热交换与过程方向性的关键指标，它的变化与热量传递、不可逆性共同构成热力学第二定律的表述。
1.1 热力学中的熵
在热力学表述中，熵常以定义式与热量传递联系起来。对一个可逆过程，系统从状态 A 到状态 B 的熵变满足 \[ \Delta S=\int_A^B \frac{\delta Q_{\text{rev}}}{T}, \] 其中 \( \delta Q_{\text{rev}} \) 是可逆热量微元，\(T\) 为热力学温度。由于该积分对路径不敏感，熵可视为状态函数，因而系统的熵只取决于初末状态，而不取决于具体过程路径。
1.2 统计力学中的熵
统计力学将熵与微观状态联系起来：一个宏观态对应若干微观态。玻尔兹曼熵以微观可达数 \( \Omega \) 给出关系 \[ S = k_{\mathrm{B}}\ln \Omega, \] 其中 \(k_{\mathrm{B}}\) 为玻尔兹曼常数。该表达强调：熵随可能微观态数的增长而增大，也意味着更“均匀”的分布通常对应更高的状态数量。
1.3 信息论中的熵（香农熵的类比）
信息论中的熵用于刻画随机变量的不确定性。对离散分布 \(p_i\)，香农熵定义为 \[ H=-\sum_i p_i \ln p_i. \] 它与热力学/统计物理的熵在形式上具有相似性：都通过概率或可能性来衡量“不确定性”的大小。需要注意的是，信息论熵的物理意义取决于“概率代表什么”（例如对系统状态的知识或测量结果），因此其应用更偏向“知识层面”的不确定性度量；而热力学熵更直接关联可逆过程、热交换与不可逆性。
2 熵与热力学定律
熵在热力学中的地位体现在：第一定律给出能量守恒，而第二定律通过熵给出过程的方向性约束。把熵引入后，热传递、混合、扩散等过程的“允许方向”可以用不等式来表达。
2.1 第二定律与熵增
第二定律的一个常见表述是：孤立系统的总熵不会减少。对孤立系统， \[ \Delta S_{\text{total}} \ge 0. \] 当系统经历真实过程（通常包含摩擦、扩散、非平衡松弛等因素）时，若过程不可逆，总熵会增加；若理想化为完全可逆，则总熵保持不变。这里的“总”意味着不仅看系统，还需考虑环境与边界相互作用。
2.2 可逆过程与熵的抵消
在可逆过程中，系统与环境之间的热交换可以“精确地往返”。因此系统的熵变与环境的熵变在总和上互相抵消，满足 \[ \Delta S_{\text{system}} + \Delta S_{\text{environment}} = 0. \] 这并不表示局部熵不变，而是说在可逆模型下，熵的净变化可以为零，从而与“理想可逆”这一数学理想相匹配。
2.3 不可逆过程的熵产生
不可逆过程会伴随“熵产生”项。工程与实验中几乎所有真实过程都包含某种不可逆性，例如黏性耗散、有限温差的传热、化学反应中的不可逆步骤等。此时除了热交换导致的熵流，还会有额外的正贡献，使得总熵增加。这也解释了为什么自然界中的过程往往呈现确定的时间方向：不仅是能量变化，更是熵生成的约束。
2.4 熵判据：自发过程的方向
热力学的自发性判据可以用熵来表达。在合适的条件（如温度压力等热力学约束固定）下，自发过程往往对应某个势函数最小化，或等价地对应熵总量增加。直观上，这相当于系统倾向于走向“微观可能性更大”的状态集合；在非平衡系统中则对应更快的松弛到近平衡态的动力学轨道。
3 熵的计算与形式
熵的计算依赖具体模型与约束。无论是热力学实验参数、分子模型，还是概率分布，熵最终都可写成与可达性或概率相关的形式。
3.1 经典体系的熵表达式
对经典理想化体系，熵常可由相空间体积与归一化选取来获得。由于经典粒子在相空间中存在连续变量，直接计数会遇到维度与归一化问题，因此熵表达式通常需要合理的相空间尺度处理（例如通过热德布罗意尺度来构造无量纲量）。在给定模型下，熵与温度、体积等参数存在明确关系，可用于热容、压缩性等热力学量的推导。
3.2 理想气体中的熵
理想气体提供了最常见的熵计算场景之一。其熵随温度与体积（或等价的密度）变化，通常可写成由状态函数决定的形式。利用理想气体的热容关系与热力学基本方程，可以将熵差表示为
- 温度变化项；
- 体积（或压力）变化项。
因此实验上可以通过测量热容或气体压强、体积的变化来求得熵变。
3.3 配分函数与热力学标势
在统计力学中，配分函数是连接微观与宏观的桥梁。对正则系综，配分函数 \(Z\) 与自由能关系密切： \[ F = -k_{\mathrm{B}}T\ln Z. \] 熵可由热力学关系从自由能导出，例如 \[ S = -\left(\frac{\partial F}{\partial T}\right)_V. \] 因此一旦通过模型得到配分函数，就能系统计算熵及其随参数的变化，同时还能得到热容等二阶导数信息。
3.4 随机/概率分布下的广义熵
当系统状态用概率分布描述时，可以把熵推广为对概率的函数。在最常用的香农形式中，对离散分布 \(p_i\)： \[ H=-\sum_i p_i\ln p_i. \] 若采用连续分布，需要引入密度与尺度处理，得到“微分熵”等概念，形式上不一定与离散情形完全等价。广义熵还可扩展到不同的度量（例如为某些非平衡或广义统计框架定义的熵形式），用于刻画概率权重的变化趋势。
4 熵在物理过程中的应用
熵不仅是抽象量，它在热机效率、相变、混合扩散、辐射平衡等具体问题中都有可用的判断与计算框架。
4.1 热机、制冷机与效率
在热机与制冷机中，熵的增量帮助判断性能上限。理想情形下，可逆循环下的熵流可精确平衡；当存在不可逆性时，熵产生会使可实现的效率降低或制冷能力下降。热机从热源吸热、向冷源放热，熵的净增与温差共同决定了最大效率的理论界限；制冷机则同理，额外的熵产生意味着需要更大的功输入才能维持相同的温度梯度。
4.2 相变与临界现象中的熵
相变过程中，系统的热力学性质会出现突变或非解析行为。熵与潜热相关：在温度保持的相变（如理想化的第一类相变）中，吸收或释放的热量主要体现为熵的跃迁。临界现象则表现为热容等量发散或强烈增强，这从热力学角度与熵对温度的导数关系紧密相连。由于熵是状态函数，它能提供跨相区比较的统一语言。
4.3 混合、扩散与不可逆性
混合与扩散常被视为不可逆过程的典型例子。即使宏观上没有明显“机械功”做出，微观层面的粒子重新分布会增大可达微观态数，从而导致熵增加。在实际系统中，有限温差传热、黏性流动引起的速度耗散等因素也同样会产生熵。由此可见，熵提供了从“微观重排”到“宏观不可逆”的定量联系。
4.4 黑体辐射与热平衡
黑体辐射是热平衡理论的重要支柱。对于热平衡辐射场，给定温度后能量分布可由普朗克分布确定，进而可以计算与辐射相关的熵密度。熵在此处反映辐射场的状态统计：温度升高意味着光子能量与频率分布的变化，使可用的微观态数量相应增加。黑体辐射的热平衡特性也展示了熵增与“达到平衡”的一致性。
5 熵变与相关概念
熵并不孤立存在，它通常与熵流、自由能以及热容等量联动出现。理解这些关联，有助于把抽象的熵变成可计算的热力学结论。
5.1 熵变、熵流与熵产生
把系统的熵变化拆解为两部分是常见做法：一部分来自通过边界的热交换（熵流），另一部分来自不可逆内部机制（熵产生）。因此，即便系统熵在某时刻可能下降，若熵产生为正，配合环境交换后总熵仍满足第二定律的约束。这种分解使得“局部看起来不合理”的情况可以被系统地解释。
5.2 自由能与亥姆霍兹自由能/吉布斯自由能的关系
自由能提供了不同热力学约束条件下的“驱动力”描述。亥姆霍兹自由能 \(F\) 与熵的关系可写为 \[ F = U - TS, \] 其中 \(U\) 为内能。吉布斯自由能 \(G\) 在常压等约束下更常用： \[ G = H - TS, \] 其中 \(H\) 为焓。对等温条件，系统倾向于降低相应自由能，这与熵及其对温度变化的贡献紧密相关。自由能的最小化给出了比“熵增”更便于工程计算的判据。
5.3 温度、热容与熵的耦合
热容描述系统温度变化时能量吸收的难易程度，而熵对温度的导数可用热容表示。例如在给定体积或压强条件下，熵随温度的变化速率由对应的热容决定。这意味着测量热容不仅能得到能量响应，也能推断熵的演化。温度既是把热量转换为熵的重要尺度，也是决定相变与临界行为的关键参数。
6 常见误解与澄清
围绕“熵”的科普传播中容易出现简化说法。澄清这些误解，可以帮助把握熵在严格框架下的含义。
6.1 “熵一定等于无序度吗？”
“无序度”是直观但不严格的比喻。熵更准确地衡量的是微观态可能性的大小或统计意义下的不确定性。某些情况下，一个宏观上看似“有序”的结构也可能对应较高熵，例如在固定温度、压力等约束下，微观自由度的统计权重可能使熵并不低。因此，“无序”并不是等号对象；更合适的理解是：熵与“可实现方式的数量”相关。
6.2 “熵增意味着系统变得更糟吗？”
熵增描述的是热力学方向性，并不直接等同于价值判断。“更糟”取决于你关心的量（体积是否变大、质量是否损失、性能是否下降等）。例如，温度梯度消散、混合均匀化常伴随熵增加，但不意味着系统“失败”；相反，许多过程从工程角度可能是必要步骤。熵增反映的是约束条件下自发演化的统计倾向，而不是道德或审美意义上的“变差”。
6.3 局部熵减与总体熵增的条件
第二定律对的是孤立系统的“总熵不减”。因此局部区域可能发生熵减，但通常需要以向外界输送熵（或等价地产生更大的环境熵）为代价。例如在开放系统中，外界的能量供给或物质输入可以使系统维持更低的熵状态。严谨地看，这并不违反热力学第二定律，因为整体仍满足总熵增加的原则。
7 熵与“熵梗”文化（轻度科普）
“熵增”在日常网络语境里常被用作比喻或段子，容易将复杂理论压缩成一句话。这里以轻量方式梳理常见说法背后的直觉来源。
7.1 “熵增”在科普语境中的常见用法
在科普传播中，“熵增”常被用来描述“东西会自己变乱”的观感，例如房间更容易越用越乱、咖啡冷却不再自动热起来。这些现象确实与不可逆过程相关，直观地对应“能量从可利用形式变得更分散”以及“微观可能性变大”。但当它被用作万能解释时，往往忽略了：熵增在严格意义上依赖具体系统边界、温度场、以及环境相互作用。
7.2 反直觉例子：为什么看似有序也可能熵增
看似“更有序”的过程不一定意味着熵降低。比如某些自组织现象在宏观上形成结构，但其形成通常伴随能量耗散或对外界释放熵，使整体仍可能净增。从统计角度，系统内部自由度的重排与环境熵交换共同决定总熵变化。因此，判断是否“更有序”不能直接推出熵一定下降；要看概率权重和边界条件。
8 相关理论与延伸
熵不仅是热力学的工具，也是理解微观可达性与信息映射的核心概念。进一步的研究常从微观计数到统计推导，再延伸到信息论的类比结构。
8.1 玻尔兹曼熵与微观可达性
玻尔兹曼熵强调“可达微观态”的数量。微观可达性受约束条件影响，例如能量限制、守恒量、外场与边界等。把宏观状态的概率解释为在这些约束下的可实现性，可以将“熵大意味着更多可能”落实到可计算的模型中。通过这种视角，熵与时间演化之间的联系也更易理解：动力学通常推动系统向可达态更大的区域扩展。
8.2 维数受限与库仑体系中的熵效应
在受限维度或特定相互作用显著的体系中，熵的数值与温度依赖会呈现与理想情形不同的规律。例如在低维体系中，涨落更强，态密度与热力学响应可能发生改变；在带有长程相互作用的库仑类体系里，有效自由度与能量景观会影响可达态分布，从而改变熵与热容等量之间的关系。此类讨论体现了：熵并非只由“温度”单参数决定，还会受微观结构与相互作用方式影响。
8.3 从热力学到信息理论的映射思路
从热力学到信息理论的联系，常通过“概率分布”与“状态可能性”这条主线建立。热力学中的熵可视为统计描述的宏观量，而信息论熵则直接从概率权重刻画不确定性。映射思路通常包括：
1 熵的基本定义
2 熵与热力学定律
3 熵的计算与形式
在合适的框架下，这种映射能帮助理解热力学第二定律与信息处理之间的结构相似性。