压电效应是机械量与电学量相互耦合的现象：正压电效应为“力→电”，逆压电效应为“电→力”，二者互为逆过程并遵循同一组压电系数。正压电效应可写为 $$ \begin{bmatrix}D_1\\D_2\\D_3\end{bmatrix} = \begin{bmatrix} d_{11}&d_{12}&d_{13}&d_{14}&d_{15}&d_{16}\\ d_{21}&d_{22}&d_{23}&d_{24}&d_{25}&d_{26}\\ d_{31}&d_{32}&d_{33}&d_{34}&d_{35}&d_{36} \end{bmatrix} \begin{bmatrix}T_1\\T_2\\T_3\\T_4\\T_5\\T_6\end{bmatrix}, $$ 逆压电效应可写为 $$ \begin{bmatrix}S_1\\S_2\\S_3\\S_4\\S_5\\S_6\end{bmatrix} = \begin{bmatrix} d_{11}&d_{21}&d_{31}\\ d_{12}&d_{22}&d_{32}\\ d_{13}&d_{23}&d_{33}\\ d_{14}&d_{24}&d_{34}\\ d_{15}&d_{25}&d_{35}\\ d_{16}&d_{26}&d_{36} \end{bmatrix} \begin{bmatrix}E_1\\E_2\\E_3\end{bmatrix}; $$ 对经极化处理的常见6mm压电陶瓷，独立压电系数为 $d_{31}$、$d_{33}$、$d_{15}$，其矩阵为 $$ [d_{ij}]= \begin{bmatrix} 0&0&0&0&d_{15}&0\\ 0&0&0&d_{15}&0&0\\ d_{31}&d_{31}&d_{33}&0&0&0 \end{bmatrix}, $$ 分别对应横向效应、纵向效应和剪切效应。 压电陶瓷的主要参数包括压电常数 $d$、介电常数 $\varepsilon_r$、机电耦合系数 $k$、机械品质因数 $Q_m$、频率常数 $N$ 和介电损耗角正切 $\tan\delta$，分别反映机电响应、储能、机电转换、机械损耗、频率—尺寸关系及电学损耗；参数间相互关联，例如一维振动模式下近似有 $$ k^2\propto \frac{d^2}{\varepsilon s}, $$ 说明 $k$ 受 $d$、$\varepsilon$ 和弹性柔顺系数 $s$ 共同影响，且不存在所有参数同时最优的普遍规律。实际设计需按用途权衡：传感器重视压电响应与稳定性，换能器重视高 $k$、适宜 $Q_m$ 和低损耗，驱动器重视大 $d$、效率与稳定性，高功率器件还需关注 $Q_m$、发热和可靠性；材料体系以 BaTiO₃、PZT 为传统代表，KNN、BNT 为无铅代表，铋层状结构适用于高温场景。

该文件系统介绍了功能陶瓷的定义与主要种类，指出功能陶瓷利用电、磁、光、热、声、化学或生物等特性实现能量转换、信息传递、检测、存储和控制等功能，区别于以承载、耐磨、耐腐蚀为主的结构陶瓷，主要包括介电、压电、半导体、绝缘、磁性、光学、离子导电、超导和生物陶瓷等；其中介电陶瓷按介电性能、极化机制和用途可分为高介电常数陶瓷、铁电与压电陶瓷、微波介质陶瓷、绝缘与低损耗介质陶瓷以及弛豫铁电与储能介质陶瓷，且各类别并非完全互斥，BaTiO₃、PZT等材料可同时体现多种性能；文件还说明了铁电体电滞回线，并从提高致密度、细化晶粒、控制掺杂与氧空位、优化烧结工艺和气氛、改善电极界面及规范试样加工测试等方面总结了提高BaTiO₃铁电陶瓷击穿强度的措施，同时归纳了BaTiO₃陶瓷通过施主掺杂、还原气氛烧结、化学计量比控制以及复合掺杂与再氧化处理实现半导化的主要途径，其中复合掺杂与再氧化是制备BaTiO₃基PTCR陶瓷的重要技术路线。

这份笔记系统梳理了统计物理的核心框架，从微观状态与宏观状态的基本概念出发，建立了微正则、正则、巨正则三大系综的概率描述；在此基础上推导出玻尔兹曼（MB）、费米–狄拉克（FD）、玻色–爱因斯坦（BE）三种统计的组态计数与最可几分布，并用统一参数 $\sigma$ 将三者纳入同一形式；进而由配分函数（单粒子 $q_1$、正则 $Z_N$、巨正则 $\Xi$）生成全部热力学量，导出内能、熵、自由能、压强等关键关系；最后以三维均匀理想玻色气体的玻色–爱因斯坦凝聚（BEC）为应用，给出临界温度与凝聚比例。全文还针对原稿中符号不统一、配分函数混用、导数条件缺失等常见问题做了系统修正。以下是高频核心公式： 统一分布函数 $$f_i = \frac{1}{e^{\beta(\epsilon_i - \mu)} - \sigma}, \quad \sigma = \begin{cases} -1 & \text{(FD)} \\ 0 & \text{(MB)} \\ +1 & \text{(BE)} \end{cases}$$ 三种组态数 $$W_{\mathrm{MB}} = N!\prod_i\frac{g_i^{N_i}}{N_i!}, \quad W_{\mathrm{FD}} = \prod_i\frac{g_i!}{N_i!(g_i-N_i)!}, \quad W_{\mathrm{BE}} = \prod_i\frac{(g_i+N_i-1)!}{N_i!(g_i-1)!}$$ 正则系综核心关系 $$Z_N = \sum_r e^{-\beta E_r}, \quad F = -k_BT\ln Z_N, \quad S = k_B(\ln Z_N + \beta U)$$ 巨正则系综核心关系 $$\Xi = \sum_{N=0}^{\infty} e^{\beta\mu N} Z_N, \quad \Phi_G = -k_BT\ln\Xi, \quad \bar{N} = \frac{\partial\ln\Xi}{\partial(\beta\mu)}$$ 经典理想气体（Sackur–Tetrode） $$q_1 = \frac{V}{\lambda_T^3}, \quad U = \frac{3}{2}Nk_BT, \quad S \simeq Nk_B\!\left[\ln\!\left(\frac{V}{N\lambda_T^3}\right) + \frac{5}{2}\right]$$ BEC 临界温度与凝聚比例 $$T_c = \frac{2\pi\hbar^2}{mk_B}\!\left(\frac{n}{\zeta(3/2)}\right)^{\!2/3}, \quad \frac{N_0}{N} = 1 - \left(\frac{T}{T_c}\right)^{\!3/2} \quad (T < T_c)$$

该解读将超参数系统视为与数据生成器、物理约束、不确定性估计和主动查询机制深度耦合的整体，而非独立常量列表。数据生成器定义有效训练分布，其参数 $\boldsymbol{\theta}_{gen}=\{\boldsymbol{\theta}_{phy},\boldsymbol{\theta}_{rough},\boldsymbol{\theta}_{defect},\boldsymbol{\theta}_{noise},\boldsymbol{\theta}_{seed}\}$ 决定物理状态与扰动难度，训练目标由加权负对数似然、物理一致性损失、扰动字典损失和正则化损失组成，分别对应预测、物理有效性、扰动识别和数值稳定性。物理门控参数 $\alpha_{\max}$ 是由材料物理性质导出的保守边界，要求生成器物理范围是其子集；$\kappa_{sp}$、$\kappa_{tmp}$ 控制门控锐度，$\tau_{sp}$ 由干净与缺陷样本得分分布校准。扰动字典容量 $K$ 表示潜在扰动容量，$\tau_d$、$\kappa_{dis}$ 从生成扰动分布校准，且 $\gamma_{dis}\ge\tau_{var}$，而 $\tau_{var}$ 由风险分解 $\tau_{var}\le(\tau_{rej}-\delta)/2-\epsilon_\sigma$ 导出，不能盲目验证集搜索。主动查询在物理参数邻域 $B(\theta,r_q)$ 内搜索，$r_q\sim c\sigma_\theta$，查询目标 $J(\theta')=U(\theta')-\beta D(\theta',\theta)$ 平衡探索与局部物理相关性，全局不确定性 $U=\omega_1U_{pred}+\omega_2U_{phy}+\omega_3U_{dis}$ 的权重决定生成器响应何种困难。最终超参数分为物理决定参数、数学约束参数和经验校准参数三类，系统构成自适应闭环，有效训练分布随模型学习状态动态变化，因此其表面复杂性大多源于物理知识、生成器统计、理论约束和优化稳定性，真正自由的参数仅为少数。

针对光学干涉测量中Sim-to-Real迁移的难题，论文提出了一种物理约束与扰动字典学习相结合的可解释数据生成框架。该方法首先通过相位平面化同胚映射，将具有周期性和$2\pi$跳变的干涉相位变换为连续光滑的几何空间，使神经网络能在连续域中学习。数据生成器不再叠加独立噪声，而是对连续平面施加倾斜、缩放、粗糙度、局部变形、遮挡等几何操作，分别对应全局相位梯度、条纹间距、微振动、波前畸变和信号丢失等物理扰动，再经逆变换合成干涉图： $$\mathcal{I}(x,y)=A(x,y)+B(x,y)\cos(\Phi(x,y)+\Delta\Phi_{dis}(x,y))+\eta(x,y).$$ 为建模硬件缺陷的准静态重复性，框架引入扰动字典$\mathcal{D}=\{\mathbf{z}_k\}_{k=1}^K$，通过余弦相似度匹配局部特征，并选择性抬高预测不确定性： $$\widehat{\sigma}_{i,adj}^2=\widehat{\sigma}_i^2+\gamma_{dis}g_i^{dis},\quad g_i^{dis}=\sigma[\kappa_{dis}(r_i-\tau_d)].$$ 生成器与模型构成主动学习闭环：模型回传预测不确定性、物理约束违背和空间注意力图，生成器在局部物理参数邻域$B(\theta,r_q)$内主动查询困难样本，并依据模型收敛状态动态调整课程难度（从干净几何平面到复杂遮挡与边界状态）。物理损失门控确保相位空间连续性和时间演化速度$v_i^{\max}=f(\alpha_{\max},\Delta T_i,\Delta t_i,\kappa)$在允许范围内。最终系统形成“物理定律→变换空间→干涉图合成→推理→门控/字典/不确定性→生成器更新”的自适应闭环，使训练数据分布成为优化过程的主动组成部分，在保持标准U-Net主干不变的情况下显著提升模型稳健性。