Central limit theorem for the Allen-Cahn equation with supercritical random initial conditions

Resumen Técnico: Teorema del Límite Central para la Ecuación de Allen-Cahn con Condiciones Iniciales Aleatorias Supercríticas

Enunciado del Problema
Este artículo investiga el comportamiento a gran escala de las soluciones de la ecuación de reacción-difusión de Allen-Cahn en dimensiones espaciales $d \ge 3$:
$$\partial_t u(t, x) = \Delta u(t, x) - \lambda u(t, x)^3, \quad t > 0, x \in \mathbb{R}^d,$$
donde $\lambda > 0$. El estudio se centra en el régimen de condiciones iniciales aleatorias donde el campo $u(0, \cdot)$ es un campo gaussiano estacionario, centrado y suave con correlaciones de corto alcance, definido específicamente como $u(0, \cdot) = \varrho * \xi$, donde $\xi$ es ruido blanco espacial y $\varrho$ es un regularizador suave.

El desafío central abordado es la naturaleza supercrítica de la ecuación en dimensiones $d \ge 3$. Bajo el reescalado difusivo estándar $u_\varepsilon(t, x) = \varepsilon^{-d/2} u(\varepsilon^{-2}t, \varepsilon^{-1}x)$, el término no lineal se anula formalmente cuando $\varepsilon \to 0$ (escalandose como $\varepsilon^{d-2}$). Un escalamiento ingenuo sugiere que la solución debería converger a la solución de la ecuación de calor lineal con datos iniciales de ruido blanco. Sin embargo, dado que la ecuación es supercrítica en el sentido de las EDP estocásticas singulares, el mapa de soluciones no puede construirse como un mapa continuo sobre espacios funcionales estándar, lo que impide una justificación directa de este límite lineal. El artículo tiene como objetivo caracterizar rigurosamente las estadísticas límite de la solución reescalada $u_\varepsilon$.

Metodología
La prueba combina técnicas probabilísticas con análisis de EDP, aprovechando específicamente el principio del máximo y el cálculo de Malliavin. La metodología se desvía de trabajos anteriores sobre dimensiones críticas (por ejemplo, $d=2$) que dependían de representaciones explícitas de soluciones o estructuras de martingalas.

1. Cálculo de Malliavin y Linealización: Los autores utilizan el hecho de que la derivada de Malliavin $D_y u(t, x)$ de la solución satisface una ecuación linealizada alrededor de la solución $u$:
   $$\partial_t D_y u = \Delta D_y u - 3\lambda u^2 D_y u.$$
   Crucialmente, debido a la positividad del término $u^2$ y a la estructura de la ecuación, el principio del máximo se aplica a esta ecuación linealizada. Esto produce una cota superior puntual sobre la derivada de Malliavin: $0 \le D_y u_\varepsilon(t, x) \le p_t * \varrho_\varepsilon(x-y)$, donde $p_t$ es el núcleo de calor.

2. Desigualdades Funcionales: Estas cotas puntuales sobre la derivada de Malliavin se combinan con desigualdades tipo Poincaré y desigualdades de covarianza en el espacio de Wiener. Esto permite a los autores controlar la magnitud (momentos) y la descomposición espacial de las correlaciones de la solución $u_\varepsilon$ y sus derivadas. Específicamente, establecen que el campo se comporta como un campo estacionario con correlaciones de corto alcance, satisfaciendo las condiciones requeridas para un Teorema del Límite Central (TLC).

3. Descomposición y Expansión de Caos: Para analizar la varianza límite y las correlaciones, los autores emplean una iteración de Picard (expansión) de la solución suave. Descomponen la solución en una parte lineal (impulsada por el ruido inicial) y una parte no lineal. Mediante la proyección sobre caos de Wiener, demuestran que, aunque el término no lineal se anula en el sentido $L^2$ a grandes escalas, deja una huella no trivial en la varianza y crea correlaciones entre el límite y los datos iniciales.

Resultados Clave
El resultado principal (Teorema 1.1) establece que, cuando $\varepsilon \downarrow 0$, la familia de procesos $(u_\varepsilon)_{\varepsilon > 0}$ converge en ley en $C((0, +\infty), \mathcal{S}'(\mathbb{R}^d))$ a un proceso gaussiano que resuelve la ecuación de calor:
$$u_\varepsilon \Rightarrow (\sigma_\lambda p_t * \tilde{\xi})_{t>0},$$
donde $\tilde{\xi}$ es un ruido blanco espacial y $\sigma_\lambda$ es una constante positiva que depende de $\lambda$.

El artículo detalla dos características específicas y no triviales de este límite:

1. No trivialidad de la Varianza: La constante $\sigma_\lambda$ depende de manera no trivial del parámetro de acoplamiento $\lambda$. Específicamente, $\lim_{\lambda \to +\infty} \sigma_\lambda = 0$. Esto indica que la no linealidad, aunque se anula en el límite de escalamiento, efectivamente "amortigua" la varianza de la solución.
2. Creación de Ruido (Correlaciones): Para $\lambda$ suficientemente pequeño, el proceso gaussiano límite no es independiente de los datos iniciales. El par $(u_\varepsilon, p(\cdot) * u_\varepsilon(0, \cdot))$ converge a un par gaussiano con correlaciones no triviales. Esto implica que el límite a gran escala retiene una "memoria" de la estructura de ruido microscópico inicial, mediada por la no linealidad actuando en tiempos cortos ($t=O(1)$).

Significado y Mecanismo
El artículo afirma que el mecanismo que impulsa estos resultados difiere fundamentalmente del caso crítico ($d=2$) estudiado en trabajos anteriores (por ejemplo, [6], [10]).

• Crítico vs. Supercrítico: En el caso crítico, la no linealidad y la difusión interactúan continuamente, a menudo requiriendo límites de acoplamiento débil para domar las divergencias. En el caso supercrítico ($d \ge 3$), la no linealidad es relevante solo en escalas de tiempo cortas ($t=O(1)$) antes de que domine el escalamiento difusivo.
• La Heurística de la "Capa de Tiempo": Los autores proponen una heurística donde la dinámica en tiempos cortos está dominada por el flujo de EDO $\partial_t u = -\lambda u^3$. Este flujo transforma el campo gaussiano inicial $u(0, x)$ en una función no lineal $\Phi_\lambda(u(0, x))$. El comportamiento subsiguiente a gran escala está entonces gobernado por la ecuación de calor actuando sobre este campo transformado. Esto explica por qué el límite es gaussiano (debido al TLC actuando sobre el promedio espacial del campo transformado) pero retiene correlaciones no triviales con los datos iniciales (a través del mapa no lineal $\Phi_\lambda$).
• Robustez: Los autores señalan que sus argumentos dependen principalmente de la monotonía y la imparidad de la no linealidad, combinadas con el principio del máximo. Sugieren que este enfoque es robusto y aplicable a una clase más amplia de problemas supercríticos, incluidos aquellos con datos iniciales de Poisson o no linealidades impares de orden superior ($-\lambda u^{2k+1}$), siempre que los datos iniciales estén centrados y sean simétricos.

Limitaciones y Alcance
El artículo declara explícitamente que la prueba de la "creación de ruido" (correlaciones no triviales) es actualmente rigurosa solo para $\lambda$ suficientemente pequeño. Aunque la no trivialidad de la varianza se demuestra para todo $\lambda$, la caracterización completa del límite conjunto para $\lambda$ grande sigue siendo un desafío técnico abierto dentro del marco actual. Además, los resultados se restringen a correlaciones de corto alcance; el caso de correlaciones de ley de potencia de largo alcance se señala como una dirección para trabajos futuros donde el límite podría ser un campo gaussiano fraccional. El método depende en gran medida del principio del máximo, lo que dificulta su extensión directa a ecuaciones con ruido aditivo (como la ecuación $\Phi^4$) donde se requiere renormalización y los principios del máximo son delicados.