Rates of convergence of finite element approximations of second-order mean field games with nondifferentiable Hamiltonians

Aquí presento un resumen técnico detallado del artículo en español, estructurado según los puntos solicitados:

Título: Tasas de convergencia de aproximaciones por elementos finitos de juegos de campo medio de segundo orden con Hamiltonianos no diferenciables

Autores: Yohance A. P. Osborne e Iain Smears.

---

1. Planteamiento del Problema

El artículo aborda el análisis numérico de Juegos de Campo Medio (MFG) estacionarios de segundo orden definidos en dominios poligonales acotados con fronteras de Lipschitz. El sistema modela equilibrios de Nash en juegos de control estocástico con infinitos jugadores.

El desafío central radica en considerar Hamiltonianos no diferenciables. En la literatura tradicional, se asume que el Hamiltoniano $H$ es diferenciable respecto al gradiente de la función de valor ($\nabla u$), lo que permite derivar una ecuación de Kolmogorov-Fokker-Planck (KFP) clásica. Sin embargo, en aplicaciones prácticas como problemas de tiempo de salida mínimo o controles "bang-bang", el Hamiltoniano puede no ser diferenciable, lo que implica la no unicidad de los controles óptimos de retroalimentación.

El sistema matemático considerado es una Inclusión Diferencial Parcial (PDI):
$$\begin{cases} -\nu\Delta u + H(x, \nabla u) = F[m](x) & \text{en } \Omega, \\ -\nu\Delta m - G(x) \in \text{div}(m \partial_p H(x, \nabla u)) & \text{en } \Omega, \end{cases}$$
donde:

• $u$ es la función de valor.
• $m$ es la densidad de jugadores.
• $\partial_p H$ denota el subdiferencial de $H$ respecto a $p$ (el gradiente), que es un conjunto convexo no vacío.
• $F$ es un operador de acoplamiento fuertemente monótono.
• $G$ es una fuente de entrada de jugadores.

El objetivo es establecer tasas de convergencia cuantitativas (límites de error a priori) para las aproximaciones por elementos finitos (FEM) de este sistema, algo que anteriormente solo se había logrado para Hamiltonianos regulares (diferenciables).

---

2. Metodología

Los autores desarrollan un análisis de error a priori para una clase de métodos de elementos finitos estabilizados (introducidos previamente en trabajos de los mismos autores). La metodología se basa en una estrategia de regularización combinada con técnicas de estabilidad y consistencia discretas.

A. Regularización de Moreau-Yosida

Dado que el problema original (PDI) es difícil de discretizar directamente debido a la discontinuidad del subdiferencial, se introduce un problema regularizado dependiente de un parámetro $\lambda \in (0, 1]$:

• Se reemplaza el Hamiltoniano no diferenciable $H$ por su regularización de Moreau-Yosida $H_\lambda$, que es de clase $C^{1,1}$ (diferenciable con derivada Lipschitz).
• El sistema regularizado (1.3) es un sistema de EDPs acopladas clásicas, más fácil de resolver numéricamente.
• Se demuestra que la solución $(u_\lambda, m_\lambda)$ del problema regularizado converge a la solución $(u, m)$ del problema original con una tasa de $O(\lambda^{1/2})$ en las normas $H^1$ y $L^2$ respectivamente.

B. Discretización por Elementos Finitos

Se utiliza una secuencia de mallas simpliciales conformes $\{T_k\}$ con tamaño de malla $h_k \to 0$.

• Espacios: Funciones afines por partes ($P_1$) que cumplen condiciones de Dirichlet homogéneas.
• Estabilización: Se introduce un tensor de difusión numérica $D_k$ para garantizar la estabilidad del esquema, cumpliendo dos hipótesis clave:
  1. Consistencia: El término de estabilización desaparece óptimamente al refinar la malla.
  2. Principio del Máximo Discreto (DMP): La estabilización debe permitir que el operador discreto satisfaga el principio del máximo, crucial para preservar la no negatividad de la densidad $m$.

C. Estrategia de Análisis de Error (Descomposición Triangular)

El error total se descompone en tres partes mediante la desigualdad triangular, comparando la solución exacta $(u, m)$, la solución regularizada continua $(u_\lambda, m_\lambda)$ y la solución regularizada discreta $(u_{k,\lambda}, m_{k,\lambda})$:

1. Error de regularización: $\|(u, m) - (u_\lambda, m_\lambda)\| \lesssim \lambda^{1/2}$.
2. Error de discretización del problema regularizado: $\|(u_\lambda, m_\lambda) - (u_{k,\lambda}, m_{k,\lambda})\|$. Este es el núcleo técnico del trabajo.
3. Error de regularización discreta: $\|(u_{k,\lambda}, m_{k,\lambda}) - (u_k, m_k)\|$, donde $(u_k, m_k)$ es la solución del esquema no regularizado.

---

3. Contribuciones Clave

1. Primeras tasas de convergencia cuantitativas para MFG con Hamiltonianos no diferenciables: A diferencia de trabajos anteriores que solo demostraban convergencia cualitativa (sin tasas) para este caso, este artículo establece cotas de error explícitas.
2. Análisis de la interacción entre regularización y discretización: Se demuestra cómo elegir el parámetro de regularización $\lambda_k$ en función del tamaño de malla $h_k$ para optimizar el error total.
3. Tratamiento de la baja regularidad: Se aborda el hecho de que, incluso en 1D, la densidad $m$ puede tener muy baja regularidad debido a la falta de continuidad en los subdiferenciales. El análisis evita requerir regularidad $H^2$ para la densidad, trabajando en normas $L^2$ para $m$ y $H^1$ para $u$.
4. Uso de la semisuavidad (semismoothness): Se emplean resultados de semisuavidad del Hamiltoniano original para controlar los términos de consistencia sin asumir diferenciabilidad.
5. Justificación práctica de la regularización: Se demuestra que resolver el problema regularizado discretizado es computacionalmente más viable y mantiene un control de error cuantitativo, ofreciendo una alternativa práctica a la resolución directa de la inclusión.

---

4. Resultados Principales

El resultado central se presenta en el Teorema 5.1. Bajo las hipótesis de estabilidad y consistencia del esquema estabilizado, y asumiendo que el dominio $\Omega$ tiene una regularidad elíptica caracterizada por un exponente $\gamma \in (0, 1]$ (donde $\gamma=1$ para dominios convexos y $\gamma < 1$ para no convexos), se prueba que para $k$ suficientemente grande:

$$\|u - u_k\|_{H^1(\Omega)} + \|m - m_k\|_{L^2(\Omega)} \lesssim h_k^{\gamma/3}$$

Detalles del resultado:

• Tasa de convergencia: El orden es $O(h^{\gamma/3})$.
  • Si el dominio es convexo ($\gamma=1$), la tasa es $O(h^{1/3})$.
  • Si el dominio es no convexo, la tasa depende de la singularidad de la esquina ($\gamma < 1$).
• Elección óptima de parámetros: La tasa se obtiene al equilibrar el error de regularización y el error de discretización eligiendo $\lambda_k \approx h_k^{2\gamma/3}$.
• Corolario 5.2: Se establece una tasa de convergencia para la solución regularizada discretizada $(u_{k,\lambda_k}, m_{k,\lambda_k})$ respecto a la solución exacta, mostrando que este enfoque es viable para cálculos prácticos con un control de error similar.

Nota sobre la tasa: Los autores señalan que, aunque la tasa teórica es $h^{\gamma/3}$, en experimentos numéricos previos se ha observado a menudo una tasa óptima $O(h)$. La tasa obtenida aquí podría ser conservadora (pesimista) debido a las dificultades técnicas de manejar la falta de regularidad y la no diferenciabilidad en el análisis riguroso.

---

5. Significado e Impacto

Este trabajo es significativo por varias razones:

• Rellena un vacío teórico: Proporciona la primera justificación matemática rigurosa de las tasas de convergencia para métodos numéricos aplicados a MFG con Hamiltonianos no diferenciables, un caso común en aplicaciones de control óptimo pero difícil de analizar.
• Validación de métodos estabilizados: Confirma que los métodos de elementos finitos estabilizados, que ya eran efectivos para MFG regulares, pueden extenderse con garantías de error a problemas con no diferenciabilidad, siempre que se utilice una estrategia de regularización adecuada.
• Guía para la implementación práctica: Al demostrar que la regularización de Moreau-Yosida no solo es teóricamente convergente sino también computacionalmente eficiente y con control de error, ofrece una ruta clara para la implementación de algoritmos en problemas reales donde los controles óptimos no son únicos.
• Robustez ante dominios complejos: El análisis es válido para dominios poligonales generales (no necesariamente convexos), lo que aumenta la aplicabilidad del método en geometría real.

En resumen, el artículo establece un marco teórico sólido para la simulación numérica de juegos de campo medio en escenarios de control estocástico complejos y no suaves, vinculando la teoría de regularización con el análisis de error discreto.