Approximations of dispersive PDEs in the presence of low-regularity randomness

Résumé technique : Approximations d'EDP dispersives en présence de l'aléa à faible régularité

Énoncé du problème
L'article traite de l'approximation numérique de l'espérance de la valeur absolue au carré du $k$-ième coefficient de Fourier de la solution d'équations aux dérivées partielles (EDP) dispersives non linéaires avec des données initiales aléatoires. Plus précisément, les auteurs considèrent des équations de la forme :
$$i\partial_t u(t, x) + L(\nabla)u(t, x) = |\nabla|^\alpha p(u(t, x), \bar{u}(t, x))$$
avec des données initiales aléatoires $u(0, x) = v_\eta(x)$, où l'aléa est modélisé par une famille de variables gaussiennes complexes standard. La quantité cible est $E(|u_k(t, v_\eta)|^2)$, qui joue un rôle central dans l'étude de la turbulence ondulatoire et la dérivation de l'équation cinétique des ondes (WKE).

Les approches numériques classiques pour de tels problèmes discrétisent généralement l'EDP elle-même et calculent ensuite l'espérance, ou discrétisent la solution $u$ puis évaluent $E(|u|^2)$. Ces méthodes nécessitent souvent des hypothèses de régularité élevées sur les données initiales pour atteindre des taux de convergence optimaux, car les bornes d'erreur locale dépendent de dérivées d'ordre élevé de la solution. Les auteurs notent que des intégrateurs à faible régularité existants (par exemple, les schémas basés sur la résonance) ont été développés pour les EDP déterministes mais n'ont pas été pleinement adaptés à la structure spécifique de l'espérance du second moment en présence d'aléa.

Méthodologie
Les auteurs proposent une nouvelle classe de schémas numériques qui discrétisent directement l'espérance, plutôt que l'EDP ou la trajectoire de la solution. Cette approche exploite la structure algébrique du problème pour tirer parti des annulations de résonance et gagner en régularité au niveau discret.

1. Cadre combinatoire (Forêts décorées appariées) :
   L'innovation centrale est l'introduction d'une nouvelle structure combinatoire appelée forêts décorées appariées. Alors que les travaux précédents sur les intégrateurs à faible régularité (spécifiquement [13]) utilisaient des arbres décorés pour représenter les intégrales itérées de la solution, ce travail représente le second moment $E(|u_k|^2)$ comme un produit de deux de ces arbres.

   • Les feuilles de ces arbres correspondent aux fréquences des données initiales aléatoires.
   • L'appariement des feuilles entre les deux arbres est dicté par le théorème de Wick appliqué aux variables aléatoires gaussiennes.
   • Cette structure, notée $F = T_1 \cdot T_2$, encode les appariements spécifiques de fréquences qui surviennent lors du calcul de l'espérance du produit d'intégrales itérées.

2. Discrétisation basée sur la résonance :
   Le schéma repose sur une discrétisation par résonance des intégrales itérées oscillantes apparaissant dans l'expansion arborescente.

   • Les auteurs définissent un caractère $\Pi$ qui associe les forêts décorées à des intégrales oscillantes.
   • Ils introduisent un opérateur d'approximation $\Pi_{n,r}$ (où $n$ est la régularité supposée des données initiales et $r$ l'ordre du schéma) qui effectue un développement de Taylor sur les parties de « bas ordre » de la résonance tout en intégrant exactement les parties « dominantes ».
   • Crucialement, comme le calcul implique le produit de deux coefficients de Fourier (par exemple, $v_k \bar{v}_k$), les exigences de régularité sont distribuées. Les auteurs soutiennent que des termes tels que $k^2 |v_k|^2$ peuvent être interprétés comme des convolutions ($\nabla v * \nabla \tilde{v}$), qui nécessitent moins de dérivées que les termes d'erreur classiques impliquant $k^2 v_k$.

3. Analyse d'erreur récursive :
   L'article fournit une définition récursive rigoureuse pour le terme d'erreur locale $L^r_{low}(F, n)$. Cette définition tient compte de la structure d'appariement spécifique des forêts, qui diffère du cas à arbre unique de [13] car les fréquences sur les feuilles de $T_1$ et $T_2$ ne sont pas nécessairement disjointes. La borne d'erreur est montrée être de la forme $O(\tau^{r+2} L^r_{low})$, où $L^r_{low}$ n'implique que des dérivées d'ordre inférieur par rapport aux méthodes classiques.

Contributions clés

• Nouvelle structure combinatoire : L'introduction des « forêts décorées appariées » pour gérer systématiquement les contractions de Wick nécessaires au calcul du second moment des solutions d'EDP dispersives avec des données initiales aléatoires.
• Discrétisation directe de l'espérance : Un cadre qui discrétise directement l'espérance $E(|u_k|^2)$. Cela permet au schéma d'exploiter la structure de résonance améliorée et le gain de régularité intrinsèque au calcul du second moment, qui sont perdus si l'on discrétise d'abord la solution.
• Schémas à faible régularité : La dérivation de schémas numériques généraux à faible régularité pour le second moment qui nécessitent nettement moins de régularité sur les données initiales que les méthodes de décomposition (splitting) classiques ou les intégrateurs exponentiels.
• Techniques de stabilisation : La proposition de fonctions de filtrage (par exemple, des filtres basés sur le sinus cardinal/sinc) pour stabiliser les schémas d'ordre supérieur, qui impliquent des dérivées spatiales, sans imposer de conditions CFL restrictives.

Résultats
Les auteurs appliquent leur cadre général à deux exemples fondamentaux :

1. Équation de Schrödinger non linéaire (NLS) :

   • Ils construisent des schémas de premier et second ordre pour le second moment.
   • Le schéma de premier ordre ne nécessite qu'une seule dérivée spatiale sur les données initiales (contre deux pour les méthodes classiques).
   • Le schéma de second ordre est explicitement dérivé dans les espaces de Fourier et d'espace physique, impliquant des termes comme $\nabla u * \nabla \tilde{u}$.
   • L'analyse de l'erreur locale confirme le gain de régularité théorique, montant des erreurs d'ordre $O(\tau^2 |\nabla| v)$ et $O(\tau^3 |\nabla|^2 v)$ respectivement.

2. Équation de Korteweg–de Vries (KdV) :

   • Des schémas de premier et second ordre similaires sont dérivés.
   • L'analyse souligne comment la structure de résonance spécifique de KdV conduit à des annulations qui simplifient la discrétisation.
   • Des filtres de stabilisation sont introduits pour gérer les dérivées spatiales dans le schéma de second ordre.

Signification et affirmations
L'article affirme qu'en déplaçant l'attention de la discrétisation de l'EDP vers la discrétisation de l'espérance, on peut « exploiter fortement la structure de résonance optimale et le gain de régularité sous-jacent sur le niveau fini-dimensionnel (discret) ».

Les auteurs soulignent que leur approche est distincte des méthodes classiques car elle ne discrétise pas l'EDP elle-même. Au lieu de cela, elle approxime l'espérance en utilisant les propriétés combinatoires spécifiques des variables aléatoires gaussiennes (théorème de Wick). Cela permet la construction de schémas robustes pour les données initiales rugueuses (faible régularité), un régime où les méthodes classiques échouent souvent ou nécessitent des hypothèses de régularité excessives.

Le travail est présenté comme une généralisation de la discrétisation basée sur la résonance introduite dans [13] au contexte stochastique des données initiales aléatoires. Les auteurs notent que bien que les bornes d'erreur dérivées soient formelles, elles peuvent être rendues rigoureuses en utilisant des cadres d'espaces de Sobolev classiques ou des estimations de Strichartz discrètes, en se référant aux travaux antérieurs ([55, 2, 39, 50]). L'article ne prétend pas résoudre la dérivation de l'équation cinétique des ondes elle-même, mais fournit les outils numériques nécessaires pour approximer les quantités ($E(|u_k|^2)$) qui sont centrales à de telles dérivations.