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

Résumé technique : Théorème central limite pour l'équation d'Allen-Cahn avec conditions initiales aléatoires supercritiques

Énoncé du problème
Cet article étudie le comportement à grande échelle des solutions de l'équation de réaction-diffusion d'Allen-Cahn en dimensions spatiales $d \ge 3$ :
$$\partial_t u(t, x) = \Delta u(t, x) - \lambda u(t, x)^3, \quad t > 0, x \in \mathbb{R}^d,$$
où $\lambda > 0$. L'étude se concentre sur le régime de conditions initiales aléatoires où le champ $u(0, \cdot)$ est un champ gaussien stationnaire, centré et régulier, à corrélations à courte portée, défini spécifiquement comme $u(0, \cdot) = \varrho * \xi$, où $\xi$ est un bruit blanc spatial et $\varrho$ un régulariseur lisse.

Le défi central abordé est la nature supercritique de l'équation en dimensions $d \ge 3$. Sous le rescalage diffusif standard $u_\varepsilon(t, x) = \varepsilon^{-d/2} u(\varepsilon^{-2}t, \varepsilon^{-1}x)$, le terme non linéaire s'annule formellement lorsque $\varepsilon \to 0$ (se comportant comme $\varepsilon^{d-2}$). Un rescalage naïf suggère que la solution devrait converger vers la solution de l'équation de la chaleur linéaire avec des données initiales bruit blanc. Cependant, puisque l'équation est supercritique au sens des équations aux dérivées partielles stochastiques singulières, l'application solution ne peut pas être construite comme une application continue sur des espaces fonctionnels standards, empêchant une justification directe de cette limite linéaire. L'article vise à caractériser rigoureusement les statistiques limites de la solution rescalée $u_\varepsilon$.

Méthodologie
La preuve combine des techniques probabilistes avec l'analyse des EDP, en exploitant spécifiquement le principe du maximum et le calcul de Malliavin. La méthodologie s'écarte des travaux précédents sur les dimensions critiques (par exemple $d=2$) qui reposaient sur des représentations explicites des solutions ou des structures de martingales.

1. Calcul de Malliavin et linéarisation : Les auteurs utilisent le fait que la dérivée de Malliavin $D_y u(t, x)$ de la solution satisfait une équation linéarisée autour de la solution $u$ :
   $$\partial_t D_y u = \Delta D_y u - 3\lambda u^2 D_y u.$$
   Cruciallement, en raison de la positivité du terme $u^2$ et de la structure de l'équation, le principe du maximum s'applique à cette équation linéarisée. Cela fournit une borne supérieure ponctuelle sur la dérivée de Malliavin : $0 \le D_y u_\varepsilon(t, x) \le p_t * \varrho_\varepsilon(x-y)$, où $p_t$ est le noyau de la chaleur.

2. Inégalités fonctionnelles : Ces bornes ponctuelles sur la dérivée de Malliavin sont combinées avec des inégalités de type Poincaré et des inégalités de covariance sur l'espace de Wiener. Cela permet aux auteurs de contrôler la taille (les moments) et la décroissance spatiale des corrélations de la solution $u_\varepsilon$ et de ses dérivées. Plus précisément, ils établissent que le champ se comporte comme un champ stationnaire à corrélations à courte portée, satisfaisant les conditions requises pour un théorème central limite (TCL).

3. Décomposition et développement en chaos : Pour analyser la variance et les corrélations limites, les auteurs emploient une itération de Picard (développement) de la solution faible. Ils décomposent la solution en une partie linéaire (pilotée par le bruit initial) et une partie non linéaire. En projetant sur les chaos de Wiener, ils démontrent que, bien que le terme non linéaire s'annule au sens $L^2$ aux grandes échelles, il laisse une empreinte non triviale sur la variance et crée des corrélations entre la limite et les données initiales.

Résultats clés
Le résultat principal (Théorème 1.1) établit que lorsque $\varepsilon \downarrow 0$, la famille de processus $(u_\varepsilon)_{\varepsilon > 0}$ converge en loi dans $C((0, +\infty), \mathcal{S}'(\mathbb{R}^d))$ vers un processus gaussien résolvant l'équation de la chaleur :
$$u_\varepsilon \Rightarrow (\sigma_\lambda p_t * \tilde{\xi})_{t>0},$$
où $\tilde{\xi}$ est un bruit blanc spatial et $\sigma_\lambda$ est une constante positive dépendant de $\lambda$.

L'article détaille deux caractéristiques spécifiques et non triviales de cette limite :

1. Non-trivialité de la variance : La constante $\sigma_\lambda$ dépend de manière non triviale du paramètre de couplage $\lambda$. Plus précisément, $\lim_{\lambda \to +\infty} \sigma_\lambda = 0$. Cela indique que la non-linéarité, bien qu'elle s'annule dans la limite d'échelle, « amortit » efficacement la variance de la solution.
2. Création de bruit (corrélations) : Pour $\lambda$ suffisamment petit, le processus gaussien limite n'est pas indépendant des données initiales. Le couple $(u_\varepsilon, p(\cdot) * u_\varepsilon(0, \cdot))$ converge vers un couple gaussien avec des corrélations non triviales. Cela implique que la limite à grande échelle conserve une « mémoire » de la structure du bruit microscopique initial, médiée par la non-linéarité agissant à des temps courts ($t=O(1)$).

Signification et mécanisme
L'article affirme que le mécanisme à l'origine de ces résultats diffère fondamentalement du cas critique ($d=2$) étudié dans des travaux antérieurs (par exemple [6], [10]).

• Critique vs Supercritique : Dans le cas critique, la non-linéarité et la diffusion interagissent continûment, nécessitant souvent des limites de couplage faible pour maîtriser les divergences. Dans le cas supercritique ($d \ge 3$), la non-linéarité n'est pertinente qu'à des échelles de temps courtes ($t=O(1)$) avant que le rescalage diffusif ne domine.
• L'heuristique de la « couche temporelle » : Les auteurs proposent une heuristique selon laquelle la dynamique aux temps courts est dominée par le flot d'ODE $\partial_t u = -\lambda u^3$. Ce flot transforme le champ gaussien initial $u(0, x)$ en une fonction non linéaire $\Phi_\lambda(u(0, x))$. Le comportement subséquent à grande échelle est alors gouverné par l'équation de la chaleur agissant sur ce champ transformé. Cela explique pourquoi la limite est gaussienne (due au TCL agissant sur la moyenne spatiale du champ transformé) mais conserve des corrélations non triviales avec les données initiales (via l'application non linéaire $\Phi_\lambda$).
• Robustesse : Les auteurs notent que leurs arguments reposent principalement sur la monotonie et la parité impaire de la non-linéarité, combinées au principe du maximum. Ils suggèrent que cette approche est robuste et applicable à une classe plus large de problèmes supercritiques, y compris ceux avec des données initiales de Poisson ou des non-linéarités impaires d'ordre supérieur ($-\lambda u^{2k+1}$), à condition que les données initiales soient centrées et symétriques.

Limites et portée
L'article indique explicitement que la preuve de la « création de bruit » (corrélations non triviales) est actuellement rigoureuse uniquement pour $\lambda$ suffisamment petit. Bien que la non-trivialité de la variance soit démontrée pour tout $\lambda$, la caractérisation complète de la limite conjointe pour de grands $\lambda$ reste un défi technique ouvert dans le cadre actuel. De plus, les résultats sont restreints aux corrélations à courte portée ; le cas des corrélations à longue portée de type loi de puissance est noté comme une direction pour un travail futur où la limite pourrait être un champ gaussien fractionnaire. La méthode repose fortement sur le principe du maximum, ce qui rend difficile son extension directe à des équations avec un bruit additif (comme l'équation $\Phi^4$) où la renormalisation est requise et où les principes du maximum sont délicats.