A Galerkin Finite Element Method for the Fractional Calderón Problem

A continuación presento un resumen técnico detallado del artículo "A Galerkin Finite Element Method for the Fractional Calderón Problem" (Un método de elementos finitos de Galerkin para el problema de Calderón fraccional) de M. Dwivedi, J. Railo y A. Rupp.

1. Planteamiento del Problema

El trabajo aborda el problema inverso de Calderón fraccional, una generalización no local del problema clásico de Calderón. El objetivo es determinar un potencial desconocido $q$ (soportado en un dominio acotado $\Omega \subset \mathbb{R}^d$) a partir de mediciones parciales en el exterior.

• Modelo Directo: Se considera la ecuación de Schrödinger fraccional:
  $$\begin{cases} (-\Delta)^s u + qu = 0 & \text{en } \Omega, \\ u = f & \text{en } \Omega_e := \mathbb{R}^d \setminus \Omega, \end{cases}$$
  donde $s \in (0, 1)$ es el orden fraccional, $(-\Delta)^s$ es el Laplaciano fraccional integral, y $f$ es un dato de Dirichlet exterior.
• Medición: Se dispone de un mapa de Dirichlet-a-Neumann (DN) no local, $\Lambda_q$, que mapea el dato exterior $f$ al flujo no local en un conjunto de observación abierto $W \subset \Omega_e$.
• Escenario de Medición Única: A diferencia de los problemas clásicos que requieren múltiples mediciones (mapa completo), este trabajo se centra en la reconstrucción a partir de una sola medición (un dato $f$ y su correspondiente observación en $W$).
• Desafíos:
  1. Mal planteamiento severo: El problema inverso es inestable logarítmicamente (la reconstrucción es altamente sensible al ruido).
  2. No localidad: El operador $(-\Delta)^s$ genera matrices de sistema densas, lo que incrementa el costo computacional en comparación con operadores locales.
  3. Reconstrucción de coeficientes: Dividir por la solución $u$ para obtener $q$ es numéricamente inestable si $u$ es cercano a cero.

2. Metodología Propuesta

Los autores proponen una estrategia de reconstrucción numérica basada en elementos finitos de Galerkin que separa el proceso en dos etapas principales, motivada por resultados teóricos de continuación única y aproximación de Runge.

A. Estrategia de Descomposición

El método descompone la solución $u$ en una parte conocida y una corrección interior:
$$u = \bar{u}_f + u_0,$$
donde $\bar{u}_f$ es una extensión suave de $f$ a todo $\mathbb{R}^d$ y $u_0 \in \tilde{H}^s(\Omega)$ es la corrección que se anula en el exterior. Esto permite transformar el problema inverso en un problema de continuación única exterior: recuperar $u_0$ a partir de la medición preprocesada $\mu = \Lambda_q f|_W - ((-\Delta)^s \bar{u}_f)|_W$.

B. Paso 1: Recuperación del Estado (Continuación Única Regularizada)

Para recuperar $u_0$ a partir de datos ruidosos $\mu^\delta$, se utiliza un funcional de Tikhonov regularizado en el espacio de elementos finitos $V_{h,0}$:
$$J_{h,\alpha}(v) = \| Bv - \mu^\delta_W \|_Y^2 + \alpha v^\top S v,$$
donde:

• $B$ es el operador de observación discreto (mapea la solución interior a las mediciones en $W$).
• $S$ es la matriz de rigidez más masa que define la norma discreta $H^s$.
• $\alpha$ es el parámetro de regularización.
• Se demuestra la existencia y unicidad del minimizador y se establece la convergencia bajo reglas de elección de parámetros adecuadas ($\alpha \to 0$ y relación con el ruido $\delta$).

C. Paso 2: Recuperación del Potencial (Cociente Mínimo Cuadrático Estabilizado)

Una vez recuperada la aproximación del estado $u_h^\alpha$, se reconstruye el potencial $q$ resolviendo un problema de mínimos cuadrados ponderado y regularizado en un subdominio interior $\Omega' \subset \subset \Omega$:
$$q_h^\alpha = \arg \min_{q_h} \left( \| w_h^\alpha + q_h u_h^\alpha \|_{L^2(\Omega')}^2 + \alpha_q \| q_h \|_{L^2(\Omega')}^2 \right),$$
donde $w_h^\alpha$ es una representación discreta consistente de $(-\Delta)^s u_h^\alpha$.

• Estabilización: El término $\alpha_q$ evita la división por cero cuando $u_h^\alpha$ es pequeño, garantizando que el sistema lineal resultante sea definido positivo.
• Discretización: Se utilizan mallas adaptadas al dominio y esquemas de cuadratura para manejar la integral singular del Laplaciano fraccional de manera eficiente.

3. Contribuciones Clave

1. Marco Galerkin Unificado: Se presenta la primera realización completa de elementos finitos para el principio de reconstrucción de medición única basado en continuación única en el contexto fraccional.
2. Análisis de Convergencia y Error:
   • Se prueba la existencia y unicidad de los reconstruidores discretos.
   • Se establecen estimaciones de error a priori para la recuperación del estado y del coeficiente.
   • Se combina la estimación de error discreto con la estabilidad logarítmica conocida para el problema continuo, obteniendo un límite de error total para el potencial recuperado.
3. Separación Computacional: El operador de observación depende solo de la geometría y el orden fraccional, permitiendo ensamblarlo una sola vez y reutilizarlo, lo cual es computacionalmente ventajoso.
4. Manejo de la No-Localidad: Se propone un enfoque para evaluar el Laplaciano fraccional en el conjunto de observación mediante integrales no singulares sobre $\Omega$, mejorando la robustez de la cuadratura.

4. Resultados Numéricos

Los autores validan el método mediante experimentos en 1D y 2D:

• Potenciales Suaves (1D y 2D): Se logra una recuperación estable de potenciales suaves y de soporte compacto. Los errores muestran una tendencia consistente con la estabilidad logarítmica esperada ($\|q - q_h\| \sim |\log \delta|^{-\gamma}$).
• Potenciales Discontinuos (1D): Para potenciales con saltos, el método estándar de mínimos cuadrados tiende a suavizar las discontinuidades. Los autores introducen una heurística basada en Regularización TV (Variación Total) en el paso de recuperación de coeficientes. Esto permite recuperar interfaces nítidas y el soporte correcto del potencial, aunque la teoría de convergencia formal para este paso específico no se incluye en el análisis principal.
• Robustez al Ruido: Los experimentos demuestran que el método es estable frente a niveles de ruido moderados, manteniendo la estructura del potencial recuperado.

5. Significancia y Conclusión

Este trabajo es significativo porque:

• Puente Teórico-Práctico: Traduce la teoría abstracta de unicidad de medición única (basada en continuación única) en un algoritmo numérico viable y reutilizable.
• Avance en Problemas No Locales: Aborda específicamente las dificultades computacionales (matrices densas) y analíticas (inestabilidad extrema) de los problemas inversos con operadores fraccionales.
• Viabilidad: Demuestra que es posible reconstruir potenciales internos a partir de una sola medición exterior, incluso en presencia de ruido, utilizando técnicas de regularización adecuadas.

En resumen, el artículo establece un marco sólido para la solución numérica del problema de Calderón fraccional, separando la resolución del problema directo de la inversión regularizada, y proporciona estimaciones de error rigurosas que conectan la discretización con la inestabilidad intrínseca del problema continuo.