[论文解读] Intrinsic square functions with arbitrary aperture

Pavel Zorin‐Kranich|arXiv (Cornell University)|May 10, 2016

Advanced Harmonic Analysis Research参考文献 24被引用 3

一句话总结

本文在齐次度量空间上建立了任意锥角 $\beta \geq 1$ 的固有平方函数的精确加权范数估计，使用对数Dini连续的测试函数。研究证明了 $L^p$ 及弱型估计的最优依赖关系，明确体现了对锥角 $\beta$、Dini/对数Dini连续模以及测度的加倍常数的依赖性，实现了对 $\gamma = \sup_x \mu(B(x,\beta t))/\mu(B(x,t))$ 的最优依赖，该量在欧几里得空间中按 $\beta^D$ 的方式缩放。

ABSTRACT

We consider intrinsic square functions defined using (log-)Dini continuous test functions on spaces of homogeneous type. We prove weighted estimates with optimal (at least in the Euclidean case) dependence on the aperture of the cone used to define the square function and linear dependence on the (log-)Dini modulus of continuity.

研究动机与目标

• 在齐次度量空间上，为任意锥角 $\beta \geq 1$ 的固有平方函数建立加权 $L^p$ 与弱型估计。
• 量化这些估计对锥角 $\beta$、连续模 $\omega$ 以及测度加倍常数的依赖关系。
• 证明在欧几里得情形下，对锥角 $\beta$ 的依赖关系是最优的，尤其针对幂权情形。
• 通过避免将一般 $\beta$ 的情形约化为 $\beta = 1$ 的情形，将先前针对 $\beta = 1$ 的结果推广至一般 $\beta$。
• 为具有任意锥角的固有平方函数推导稀疏控制与双权估计。

提出的方法

• 通过使用具有对数Dini正则性的测试函数（在半径为 $\kappa^k$ 的球上紧支集，$L^1$-归一化，并通过 $\omega$ 控制Hölder连续性）来定义固有平方函数 $G_{\omega,\beta}f(x)$。
• 利用 dyadic 分解与稀疏控制技术，通过已知的稀疏算子范数估计来控制平方函数。
• 通过稀疏控制建立弱型 $(1,1)$ 估计，并应用已知的稀疏算子估计，推导出 $L^p$ 与弱型 $L^p$ 估计。
• 利用测度的加倍与反加倍性质，控制测度在 $\beta$ 缩放下球测度的增长，从而导出量 $\gamma = \sup_x \mu(B(x,\beta t))/\mu(B(x,t))$。
• 通过在 $\mathbb{R}^d$ 上构造幂权情形的反例，证明对锥角 $\beta$ 的依赖关系的最优性，表明 $\gamma$ 的指数无法进一步改进。
• 应用度量化定理，将结果从度量空间推广至拟度量空间，仅需进行符号记法上的调整。

实验结果

研究问题

• RQ1 加权 $L^p$ 与弱型估计对锥角 $\beta$ 的精确依赖关系是什么？
• RQ2 对锥角 $\beta$ 的依赖关系是否可以优于 $\gamma^{1/2}$ 因子，其中 $\gamma = \sup_x \mu(B(x,\beta t))/\mu(B(x,t))$？
• RQ3 弱型估计中是否必须使用 $\omega$ 的对数Dini范数？在附加几何条件下，是否可用 Dini 范数替代？
• RQ4 与经典情形 $\beta = 1$ 相比，具有任意锥角的固有平方函数在加权范数估计方面有何差异？
• RQ5 稀疏控制方法是否可用于推导具有任意锥角的固有平方函数的双权 $L^p$ 与弱型估计？

主要发现

• 加权 $L^2$ 估计满足 $\int (G_{\omega,\beta}f)^2 v \lesssim \Phi \|\omega\|_{\mathrm{Dini}} \int |f|^2 Mv$，对 Dini 范数与 $\Phi$ 的依赖关系最优，且对 $\beta$ 的依赖仅通过 $\Phi $，无额外依赖。
• 弱型估计满足 $\sup_\lambda \lambda v\{G_{\omega,\beta}f > \lambda\} \lesssim \gamma^{1/2} \|\omega\|_{\mathrm{log-Dini}} \int |f| Mv$，其中 $\gamma = \sup_x \mu(B(x,\beta t))/\mu(B(x,t))$，表明对锥角的依赖关系达到最优。
• 在欧几里得情形 $\mathbb{R}^d$ 中，有 $\gamma \sim \beta^d$，且对 $\beta$ 的依赖关系最优，通过幂权 $w(x) = |x|^\alpha$ 的反例得以证明。
• 推论 1.7 中的双权 $L^p$ 与弱型 $L^p$ 估计表明，对 $\gamma^{1/2}$ 与 $\|\omega\|_{\mathrm{log-Dini}}$ 的依赖关系是精确的，且显式依赖于 $[w,\sigma]_{A_p}$、$[w]_{A_\infty}$ 与 $[\sigma]_{A_\infty}$。
• 在反加倍条件下，弱型估计中的对数Dini范数可被 Dini 范数替代，从而在某些几何设定下改善依赖关系。
• 在 $\mathbb{R}^d$ 上的幂权情形下，$L^p$ 算子范数对 $\beta$ 的依赖关系是最优的，如附录 B 所示：通过构造函数 $f$ 与权 $w$，使得 $\|G_{\omega,\beta}f\|_{L^{p,\infty}(w)} \gtrsim \beta^{-dp/2 + d + \alpha/2}$，与 $\gamma = \beta^d$ 的预测幂次完全一致。