On the pointwise convergence of NLS flow on $\S^2$

1. Problématique et Contexte

Le papier s'attaque au problème de la convergence ponctuelle presque partout des solutions de l'équation de Schrödinger non linéaire cubique (NLS) sur la sphère unité $S^2$, lorsque le temps $t$ tend vers 0.

L'équation étudiée est :
$$i\partial_t u + \Delta_g u = |u|^2 u, \quad (t, x) \in \mathbb{R} \times S^2$$
avec la donnée initiale $u(0, x) = \phi(x) \in H^s(S^2)$.

Le problème central : Déterminer le seuil de régularité minimal $s$ tel que la solution $u(t, x)$ converge vers la donnée initiale $\phi(x)$ pour presque tout $x \in S^2$ lorsque $t \to 0$.

Contexte antérieur :

• Dans l'espace euclidien $\mathbb{R}^d$, ce problème (problème de Carleson) a été résolu pour $s > \frac{d}{2(d+1)}$ (Du-Zhang, Du-Guth-Li).
• Sur le tore $\mathbb{T}^d$, Compaan-Lucà-Staffilani ont établi des résultats pour des données aléatoires.
• Sur la sphère $S^2$, pour des données déterministes, la convergence est connue pour $s > 1/2$. Pour des données aléatoires, il existait un écart significatif entre les bornes inférieures et supérieures, notamment en raison de la difficulté à traiter les interactions résonnantes spécifiques à la géométrie sphérique.

2. Méthodologie

Les auteurs combinent plusieurs outils avancés d'analyse harmonique et de théorie des probabilités :

A. Randomisation des données initiales

Au lieu de considérer des données déterministes arbitraires, les auteurs utilisent une randomisation de type Gaussienne complexe. La donnée initiale est définie comme :
$$\phi^\omega_\alpha(x) = \sum_{n=0}^\infty \frac{1}{\lambda_n^\alpha} \sum_{|k|\le n} g^\omega_{n,k} b_{n,k}(x)$$
où $g^\omega_{n,k}$ sont des variables gaussiennes complexes i.i.d., $b_{n,k}$ sont les harmoniques sphériques, et $\lambda_n \sim n$ sont les valeurs propres du Laplacien. Cette randomisation induit une mesure de probabilité $\mu_\alpha$ supportée sur $H^{\alpha-1-}(S^2)$.

B. Contre-exemple déterministe pour l'estimation maximale linéaire

Avant d'attaquer le cas non linéaire, les auteurs établissent une condition nécessaire pour l'estimation maximale linéaire $L^p$. Ils construisent un contre-exemple déterministe (Section 3) basé sur des harmoniques sphériques de poids maximal et des propriétés arithmétiques (fonction indicatrice d'Euler, méthode du cercle).

• Résultat clé : L'estimation maximale $\|\sup_{t} |e^{it\Delta_g}\phi|\|_{L^p(S^2)} \lesssim \|\phi\|_{H^s}$ échoue pour $s < \frac{1}{2} - \frac{1}{2p}$. Pour $p=3$, cela correspond à $s < 1/3$, ce qui correspond au seuil connu pour $\mathbb{R}^2$.

C. Ansatz de résolution et Opérateur de Moyenne Aléatoire (RAO)

Contrairement au tore $\mathbb{T}^2$ où une décomposition simple $u = e^{it\Delta}\phi + w$ fonctionne grâce à un effet de lissage, la géométrie de $S^2$ introduit des termes résonnants supplémentaires (notamment $N^2(u)$ dans le développement de Wick) qui empêchent l'amélioration de la régularité de la deuxième itération de Picard.

Pour contourner cela, les auteurs adaptent l'ansatz introduit par Burq, Camps, Sun et Tzvetkov (et utilisé dans [6]) :

1. Décomposition dyadique : La solution est décomposée en termes singuliers $\psi_N$ et termes de reste $w_N$.
2. Opérateur de Moyenne Aléatoire (RAO) : Le terme singulier $\psi_N$ est encodé via un opérateur aléatoire $H_n^N(t)$ qui préserve la loi de probabilité conditionnelle.
3. Avantage clé : Bien que la régularité globale ne s'améliore pas, le terme dominant de l'ansatz conserve la même loi que la donnée initiale (après localisation fréquentielle) et possède une continuité spatio-temporelle suffisante pour prouver la convergence ponctuelle. Le terme de reste $w_N$ est contrôlé dans un espace de Fourier-restreint plus lisse ($X^{s,b}$).

3. Résultats Principaux

Le papier établit trois théorèmes majeurs :

Théorème 1.1 (Condition nécessaire pour le cas linéaire)
Pour $p \ge 2$, l'estimation maximale $\|\sup_{t \in [0, 2\pi]} |e^{it\Delta_g}\phi|\|_{L^p(S^2)} \lesssim \|\phi\|_{H^s}$ échoue si $s < \frac{1}{2} - \frac{1}{2p}$.

• Signification : Cela améliore les résultats précédents de Chen-Duong-Lee-Yan et correspond au cas $\mathbb{R}^2$ pour $p=3$.

Théorème 1.2 (Convergence linéaire aléatoire)
Pour $\alpha > 1$, pour presque toute donnée initiale $\phi$ par rapport à la mesure $\mu_\alpha$, on a :
$$\lim_{t \to 0} e^{it\Delta_g}\phi(x) = \phi(x) \quad \text{presque partout } x \in S^2.$$

• Signification : La randomisation permet de descendre la régularité requise bien en dessous du seuil déterministe $s > 1/2$.

Théorème 1.3 (Convergence non linéaire aléatoire)
Pour $\alpha > 1$, pour presque toute donnée initiale $\phi \in H^{(\alpha-1)-}(S^2)$, la solution locale $u(t, x)$ de l'équation NLS cubique satisfait :
$$\lim_{t \to 0} u(t, x) = \phi(x) \quad \text{presque partout } x \in S^2.$$

• Signification : C'est le résultat principal. Il étend les travaux de Compaan-Lucà-Staffilani (valables sur le tore) à la sphère $S^2$, en surmontant les difficultés géométriques spécifiques via l'ansatz RAO.

4. Contributions Techniques et Significatives

1. Résolution de l'obstacle géométrique sur $S^2$ : Le papier démontre que la structure de décomposition utilisée sur le tore (où le terme non linéaire s'annule ou se simplifie) n'est pas valable sur la sphère en raison de termes résonnants supplémentaires ($N^2(u)$). L'adaptation de l'ansatz RAO permet de gérer ces termes sans perdre la propriété de convergence.
2. Optimisation du seuil de régularité : En utilisant la randomisation, les auteurs prouvent la convergence pour des données initiales de régularité très faible ($s > \alpha - 1$ avec $\alpha > 1$, donc $s$ arbitrairement proche de 0, bien que la construction de la solution nécessite $\alpha > 1$ pour la bien-poséité locale).
3. Nouvelle borne inférieure pour l'estimation maximale : La preuve du Théorème 1.1 fournit une condition nécessaire précise pour les estimations maximales sur la sphère, comblant un écart avec le cas euclidien.
4. Méthodologie probabiliste avancée : L'utilisation de l'équivalence de loi conditionnelle (Lemma 5.2) et des estimations de type Wiener Chaos permet de contrôler les termes non linéaires de manière probabiliste, en exploitant l'indépendance des modes de Fourier après randomisation.

5. Conclusion

Ce travail représente une avancée significative dans l'étude des équations d'ondes non linéaires sur des variétés compactes. Il établit que, malgré la complexité géométrique de $S^2$ qui empêche l'utilisation directe des méthodes de lissage utilisées sur le tore, la convergence ponctuelle presque partout peut être obtenue pour des données initiales de très faible régularité grâce à une approche probabiliste sophistiquée. Les résultats ouvrent la voie à l'étude d'autres équations non linéaires sur des variétés courbes et pour des non-linéarités d'ordre supérieur.