[论文解读] 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 1

一句话总结

该论文建立了巴拿赫空间映射的定量 s-Gevrey 类隐映射定理，证明了由残量方程所定义的隐式解映射的 Fréchet 导数继承了 s-Gevrey 正则性。该理论应用于具有随机或参数系数的半线性椭圆型 PDE 时，可得到关于参数正则性的新颖且精确的界，从而在无需依赖全纯性或次优归纳技术的前提下，通过稀疏网格或 Smolyak 数值积分实现高效的不确定性量化。

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.

研究动机与目标

• 发展一种在 s-Gevrey 类中的定量隐映射定理，将经典结果拓展至超越解析性和有限光滑性的范围。
• 克服在证明非线性 PDE 最优正则性时实变量归纳法的局限性，特别是在不确定性量化中的应用。
• 建立一个框架，将数据到解的映射与参数到数据的映射的正则性分析相分离，实现模块化分析。
• 展示该抽象框架在具有随机域或系数的半线性椭圆型 PDE 中的应用，获得新的参数正则性结果。
• 提供 Fréchet 导数的定量界，支持在高维参数空间中实现高效的数值积分。

提出的方法

• 将参数化 PDE 的解表述为巴拿赫空间中由残量方程定义的局部隐映射。
• 提出一种实变量归纳法的新变体，证明在残量满足 s-Gevrey 假设下，隐映射具有 s-Gevrey 正则性。
• 利用基于 s-Gevrey 范数的递推估计，建立隐映射 Fréchet 导数的定量界。
• 证明巴拿赫空间之间 s-Gevrey 映射的复合规则，包括与随机数据的仿射参数展开的复合。
• 将抽象理论应用于一个模型半线性椭圆型 PDE（在随机域中），使用加权 Sobolev 空间和 Kondrat’ev 空间以捕捉角点奇性。
• 通过证明其 n 阶 Fréchet 导数满足不等式 \|D^n S(d)\|_{B^n(Da;Ua)} \leq (n!)^s \tilde{\varsigma} \tilde{\imath}^n 对所有 n \in \mathbb{N} 及适定数据的有界子集中的 d 成立，验证了数据到解的映射为 s-Gevery 光滑。

实验结果

研究问题

• RQ1 能否通过修改实变量归纳法，实现对非线性 PDE 的最优 s-Gevrey 正则性界，从而避免先前方法所得出的次优结果？
• RQ2 隐映射定理在多大程度上可推广至 s-Gevrey 类，从而为 Fréchet 导数提供定量界？
• RQ3 s-Gevrey 映射的复合是否以定量方式保持正则性，且该性质能否用于分析具有仿射参数展开数据的参数化 PDE？
• RQ4 所提出的框架能否在不确定性量化中提供比基于全纯性或阶乘法的技术更优的正则性估计？
• RQ5 所导出的 Fréchet 导数界是否最优，或可借助替代阶乘法等其他技术进一步改进？

主要发现

• 建立了带有 Fréchet 导数定量界的 s-Gevrey 类隐映射定理，表明解映射继承了来自残量方程的 s-Gevrey 正则性。
• 对于随机域中的半线性椭圆型 PDE，证明了数据到解的映射在 s-Gevery 意义下光滑，即对所有 n \in \mathbb{N} 及适定数据的有界子集中的 d，有 \|D^n S(d)\|_{B^n(Da;Ua)} \leq (n!)^s \tilde{\varsigma} \tilde{\imath}^n。
• 通过使用 Kondrat’ev 型空间，该框架可适用于具有角点奇性的问题，且解映射在 H^1_0 \cap K^{2,1+a} 空间中仍保持 s-Gevery 光滑。
• 该方法避免了对全纯性的依赖或次优归纳法，为非线性 PDE 的最优正则性界提供了直接路径。
• 证明了 s-Gevrey 映射的复合可定量保持 s-Gevrey 正则性，从而支持在不确定性量化中分析参数展开。
• 研究结果支持在 UQ 应用中使用稀疏网格配置法、多项式混沌法及 Smolyak 数值积分，以实现高维参数空间中的高效积分。