[论文解读] Higher-order pathwise theory of fluctuations in stochastic homogenization

Mitia Duerinckx, Félix Otto|arXiv (Cornell University)|Mar 6, 2019

Advanced Mathematical Modeling in Engineering参考文献 50被引用 30

一句话总结

本文为具有随机系数的线性椭圆方程随机均质化中的波动现象发展了一套高阶路径依存理论。通过将两尺度展开和均质化对易子框架扩展至 $\frac{d}{2}$ 阶，该研究证明了宏观波动呈高斯分布，并建立了解波动与高阶校正项之间的路径依存接近性，揭示了微观振荡与宏观随机性背后深层的代数结构。

ABSTRACT

We consider linear elliptic equations in divergence form with stationary random coefficients of integrable correlations. We characterize the fluctuations of a macroscopic observable of a solution to relative order $\\frac{d}{2}$, where $d$ is the spatial dimension; the fluctuations turn out to be Gaussian. As for previous work on the leading order, this higher-order characterization relies on a pathwise proximity of the macroscopic fluctuations of a general solution to those of the (higher-order) correctors, via a (higher-order) two-scale expansion injected into the homogenization commutator, thus confirming the scope of this notion. This higher-order generalization sheds a clearer light on the algebraic structure of the higher-order versions of correctors, flux correctors, two-scale expansions, and homogenization commutators. It reveals that in the same way as this algebra provides a higher-order theory for microscopic spatial oscillations, it also provides a higher-order theory for macroscopic random fluctuations, although both phenomena are not directly related. We focus on the model framework of an underlying Gaussian ensemble, which allows for an efficient use of (second-order) Malliavin calculus for stochastic estimates. On the technical side, we introduce annealed Calder\\'on-Zygmund estimates for the elliptic operator with random coefficients, which conveniently upgrade the known quenched large-scale estimates.

研究动机与目标

• 刻画随机均质化中宏观可观测量波动的高阶行为，超越主导阶。
• 将解波动与基于校正项的展开之间的路径依存接近性扩展至更高阶，直至 $\frac{d}{2}$ 阶。
• 阐明高阶校正项、通量校正项与均质化对易子之间的代数结构，及其与宏观随机波动的关系。
• 利用马利avin微积分在高斯系综框架下建立高阶波动的高斯性质。
• 发展退火型 Calderón-Zygmund 估计，以提升随机椭圆算子的大尺度拟 quenched 估计。

提出的方法

• 采用形如 $ (1 + \varepsilon \varphi_i + \varepsilon^2 \varphi^{2}_{ij} \nabla_{ij}^2) \bar{u}^2_\varepsilon $ 的高阶两尺度展开，以捕捉至 $ O(\varepsilon^{\frac{d}{2}}) $ 的解波动。
• 引入高阶均质化对易子，以量化真实解与其两尺度展开之间的误差。
• 应用二阶马利avin微积分处理随机估计，利用底层系数系综的高斯性质。
• 为随机椭圆算子建立退火型 Calderón-Zygmund 估计，改进已知的拟 quenched 估计。
• 采用 Stein 方法与 Poincaré 型不等式，证明波动的正态逼近。
• 利用 Ornstein-Uhlenbeck 算子与马利avin导数之间的交换关系，控制正态逼近中的方差项。

实验结果

研究问题

• RQ1 在随机均质化中，宏观波动在超越主导阶 $ O(\varepsilon) $ 的高阶行为如何？
• RQ2 解的波动在多大程度上可被高阶校正项的波动路径依存逼近？
• RQ3 高阶校正项与宏观随机波动结构之间的代数结构是什么？
• RQ4 高阶波动能否被证明收敛于高斯分布？在何种条件下成立？
• RQ5 如何发展退火型估计以控制随机椭圆方程解的随机行为？

主要发现

• 宏观可观测量 $ \int g \cdot \nabla u_\varepsilon $ 的波动被刻画至 $ \frac{d}{2} $ 阶，主导校正项为高斯分布。
• 建立了解波动与高阶校正项展开波动之间的路径依存接近性，证实了高阶下均质化对易子的相关性。
• 高阶校正项框架揭示了一种统一的代数结构，该结构同时控制微观振荡与宏观波动，尽管二者在概念上相互独立。
• 推导出退火型 Calderón-Zygmund 估计，该估计提升了拟 quenched 大尺度估计，对随机控制至关重要。
• 通过马利avin微积分证明了波动的正态逼近，给出了 1-Wasserstein 距离与 2-Wasserstein 距离的界，其表达式以内积 $ \langle DZ, DX \rangle_\mathfrak{H} $ 的方差为参数。
• 严格建立了波动协方差结构的收敛性，证实了在高阶水平下存在高斯极限。