[论文解读] Stochastic homogenization of level-set convex Hamilton-Jacobi equations

Scott N. Armstrong, Panagiotis E. Souganidis|arXiv (Cornell University)|Mar 28, 2012

Advanced Mathematical Modeling in Engineering参考文献 19被引用 4

一句话总结

本文提出了一种关于随机环境下水平集凸Hamilton-Jacobi方程随机均质化的新型构造性证明，避免依赖显式解或次校正器。通过利用次可加遍历理论分析度量问题 (1.4) 和 (1.5) 的渐近行为，作者推导出有效Hamiltonian，并建立了解的局部一致收敛性，将先前结果推广至拟凸情形，对有效非线性性的定性理解提供了更深入的洞察。

ABSTRACT

We present a simple new proof for the stochastic homogenization of quasiconvex (level-set convex) Hamilton-Jacobi equations set in stationary ergodic environments. Our approach, which is new even in the convex case, yields more information about the qualitative behavior of the effective nonlinearity.

研究动机与目标

• 为水平集凸Hamilton-Jacobi方程的随机均质化提供一种新型构造性证明，不依赖于显式解或次校正器。
• 将均质化结果推广至拟凸（水平集凸）情形，推广先前依赖于凸性的结果。
• 通过度量问题的渐近分析，提供对有效Hamiltonian更深层次的定性理解。
• 通过使用eikonal型方程的最大解的‘逐水平集’方法，建立解收敛至均质化方程的结论。

提出的方法

• 分析度量问题 (1.4) 和 (1.5)，其为具有水平集凸Hamiltonian的eikonal型方程，研究其在随机环境中的解的渐近行为。
• 利用次可加遍历定理，证明沿射线的归一化解的几乎必然收敛性，从而得到确定性极限 $\overline{m}_\mu$ 和 $\overline{n}_\mu$。
• 从最大解 $m_\mu$ 和 $n_\mu$（其中 $\mu = \overline{H}(p)$）出发，利用其平稳性与次可加性，构造近似上校正器与下校正器。
• 通过证明 $m_\mu(y,x,\omega) - p\cdot y$ 作为近似上校正器，且 $-n_\mu(x,y,\omega) - p\cdot y$ 作为近似下校正器，建立原方程的均质化。
• 利用弱收敛性与Mazur引理，在非线性Hamiltonian中取极限，确保即使在拟凸 $H$ 情形下，均质化极限仍为良定义。
• 利用 $m_\mu$ 与 $n_\mu$ 的最大性，控制粘性解的行为，并推导出有效Hamiltonian $\overline{H}$。

实验结果

研究问题

• RQ1 是否可以不依赖显式公式或次校正器的存在性，证明水平集凸Hamilton-Jacobi方程的随机均质化？
• RQ2 度量问题 (1.4) 与 (1.5) 的渐近行为如何与原方程的均质化相关联？
• RQ3 从 $m_\mu$ 与 $n_\mu$ 的次可加极限中，可以推导出有效Hamiltonian $\overline{H}$ 的哪些定性性质？
• RQ4 是否可直接从度量问题的解构造近似校正器？这一方法如何导致均质化结果的建立？
• RQ5 所提出的方法如何推广至标准凸性论证失效的拟凸Hamiltonian情形？

主要发现

• 有效Hamiltonian $\overline{H}$ 是水平集凸且强制的，且在 $\omega$ 几乎必然成立下，均质化结果成立。
• 原方程的粘性解 $u^\varepsilon$ 满足当 $\varepsilon \to 0$ 时，局部一致收敛于方程 $u + \overline{H}(Du) = 0$ 的常数解。
• 渐近极限 $\overline{m}_\mu(y) = \lim_{t\to\infty} t^{-1} m_\mu(ty, 0, \omega)$ 与 $\overline{n}_\mu(y) = \lim_{t\to\infty} t^{-1} n_\mu(ty, 0, \omega)$ 几乎必然存在，且为确定性、次可加且正齐次的函数。
• 最大解 $m_\mu$ 与 $n_\mu$ 作为构造近似校正器的基石，使得无需事先知道次校正器的存在性，即可完成均质化证明。
• 该方法提供了一种构造性均质化途径，揭示了 $\overline{H}$ 的更深层结构，尤其在严格凸情形下，$\overline{H}$ 继承了严格凸性。
• 该证明避免了Lions-Souganidis方法中构造均值为零的次校正器，而是将次校正器的存在性作为均质化结果的推论。