[論文レビュー] The Gevrey class implicit mapping theorem with application to UQ of semilinear elliptic PDEs

Helmut Harbrecht, Marc Schmidlin+1 more|arXiv (Cornell University)|Oct 2, 2023

Probabilistic and Robust Engineering Design被引用数 1

ひとこと要約

本稿はバナッハ空間上の写像に対して定量的な s-ゲヴレイクラスの暗黙的写像定理を確立し、暗黙的に定義された解写像のフレシェ微分が残差方程式からの s-ゲヴレイ正則性を引き継ぐことを証明する。ランダムまたはパラメトリック係数を有する半線形楕円型 PDE に応用することで、パrametric 正則性に関する新規で鋭い評価を得られ、解析的性質や劣化した帰納的技法に依存せずに、スパースグリッドやスモリヤク求積法による高効率な不確実性定量化が可能になる。

ABSTRACT

This article is concerned with a regularity analysis of parametric operator equations with a perspective on uncertainty quantification. We study the regularity of mappings between Banach spaces near branches of isolated solutions that are implicitly defined by a residual equation. Under $s$-Gevrey assumptions on on the residual equation, we establish $s$-Gevrey bounds on the Fréchet derivatives of the local data-to-solution mapping. This abstract framework is illustrated in a proof of regularity bounds for a semilinear elliptic partial differential equation with parametric and random field input.

研究の動機と目的

• s-ゲヴレイクラスにおける定量的暗黙的写像定理を構築し、古典的結果を解析的・有限回微分可能の範囲を超えて拡張すること。
• 非線形 PDE の最適正則性を証明する際の実変数帰納的議論の限界を克服し、特に不確実性定量化において有効な手法を提供すること。
• データから解への写像とパrameterからデータへの写像の正則性解析を分離する枠組みを確立し、モジュラーな解析を可能にすること。
• ランダム領域または係数を有するモデル半線形楕円型 PDE に抽象的枠組みを適用し、新しいパラメトリック正則性結果を得ること。
• 高次元パラメトリック空間における効率的な数値積分を支援するフレシェ微分に関する定量的評価を提供すること。

提案手法

• パラメトリック PDE の解をバナッハ空間における残差方程式によって定義される局所的暗黙的写像として定式化する。
• 残差に s-ゲヴレイ仮定が成り立つ場合に、暗黙的写像の s-ゲヴレイ正則性を示すために、実変数帰納的議論の新規な修正を導入する。
• s-ゲヴレイノルムに基づく再帰的推定を用いて、暗黙的写像のフレシェ微分に関する定量的評価を確立する。
• バナッハ空間間の s-ゲヴレイ写像の合成則を証明し、特にランダムデータのアフィンパラメトリック展開との合成を含む。
• 重み付きソボレフ空間およびコンドラチョフ空間を用いて、ランダム領域におけるモデル半線形楕円型 PDE に抽象理論を適用する。
• 有界な許容データの部分集合に属するすべての d に対して、\|D^n S(d)\|_{B^n(Da;Ua)} \leq (n!)^s \tilde{\varsigma} \bar{\imath}^n を満たすことを示すことで、データから解への写像が s-ゲヴレイ滑らかであることを証明する。

実験結果

リサーチクエスチョン

• RQ1 実変数帰納的議論をどのように修正すれば、非線形 PDE に対して最適な s-ゲヴレイ正則性評価を得られ、従来の手法による劣化した結果を回避できるか？
• RQ2 暗黙的写像定理を s-ゲヴレイクラスに一般化することはどの程度可能であり、フレシェ微分に関する定量的評価を提供できるか？
• RQ3 s-ゲヴレイ写像の合成は正則性を定量的に保存するか？ また、この性質はアフィンパラメトリックデータを有するパラメトリック PDE の解析に利用可能か？
• RQ4 提案された枠組みは、解析的性質に基づくまたは階乗に基づく手法よりも鋭い正則性推定を達成できるか？
• RQ5 得られたフレシェ微分に関する評価は最適であるか、あるいは代替的階乗法を用いた他の手法によって改善可能か？

主な発見

• フレシェ微分に関する定量的評価を伴う s-ゲヴレイクラスの暗黙的写像定理が確立され、解写像が残差方程式からの s-ゲヴレイ正則性を引き継ぐことが示された。
• ランダム領域における半線形楕円型 PDE に対して、すべての n \in \mathbb{N} および許容データの有界部分集合に属する d に対して \|D^n S(d)\|_{B^n(Da;Ua)} \leq (n!)^s \tilde{\varsigma} \tilde{\imath}^n を満たすという意味で、データから解への写像が s-ゲヴレイ滑らかであることが示された。
• コーナー特異性を有する問題に対しても、コンドラチョフ型空間を用いることで枠組みが適用可能であり、解写像は H^1_0 \cap K^{2,1+a} 空間においても s-ゲヴレイ滑らかのままである。
• 解析的性質や劣化した帰納的議論に依存せず、非線形 PDE に対して最適な正則性評価に直接到達する道筋を提供する。
• s-ゲヴレイ写像の合成が定量的に s-ゲヴレイ正則性を保存することが示され、不確実性定量化におけるパラメトリック展開の解析が可能になった。
• 得られた結果は、スパースグリッドコロケーション、多項式クラウド、スモリヤク求積法を用いた高次元パラメトリック積分の UQ 応用を支援する。