🔢 mathematics

Quantitative homogenization of convex Hamilton-Jacobi equations in the Wasserstein space

Cet article établit les premiers résultats de l'homogénéisation quantitative pour les équations de Hamilton-Jacobi du premier ordre convexes dans l'espace de Wasserstein, prouvant une convergence uniforme avec des taux optimaux de $O(\sqrt{\varepsilon})$ sous une dépendance multiscale générale et de $O(\varepsilon)$ lorsque le hamiltonien ne dépend que de la variable rapide et de l'impulsion, tout en étendant également ces résultats aux problèmes de transport optimal dynamique.

Auteurs originaux : Zhiyan Ding, Ibrahim Ekren, Yuxi Han, Antonios Zitridis

Publié 2026-06-23

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Zhiyan Ding, Ibrahim Ekren, Yuxi Han, Antonios Zitridis

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayez de guider une foule immense de personnes (un « essaim ») à travers une ville pour atteindre une destination spécifique. Ce n'est pas n'importe quelle ville ; c'est une ville au paysage étrange et changeant très rapidement.

Le Problème : Le dilemme de la « route bosselée »
Dans cet article, les auteurs examinent un problème mathématique impliquant un « essaim » d'agents. Considérez chaque agent comme une personne dans la foule. Ils veulent se déplacer d'un point de départ vers un point d'arrivée tout en minimisant leur effort total (ou coût).

Cependant, la ville dans laquelle ils marchent possède une « route bosselée ». Le terrain change incroyablement vite — si vite que pour chaque pas que vous faites, le sol sous vos pieds se déplace légèrement selon un motif complexe et répétitif. En termes mathématiques, il s'agit d'une « variable rapide » (représentée par $\epsilon$ , un nombre minuscule).

Si vous essayez de calculer le chemin parfait pour chaque personne de la foule en tenant compte de chaque minuscule bosse sur la route, les mathématiques deviennent impossibles à résoudre. C'est comme essayer de naviguer dans un labyrinthe dont les murs vibrent à un million de miles par heure.

La Solution : Lisser les bosses
Les auteurs demandent : « Que se passe-t-il si l'on dézoome ? » Si les bosses sont suffisamment petites et rapides, peut-on prétendre que la route est en fait lisse et plate ?

Ils prouvent que oui, c'est possible. À mesure que les bosses deviennent plus petites et plus rapides (lorsque $\epsilon$ tend vers zéro), le chemin chaotique et bosselé que prend la foule converge vers un chemin unique, lisse et prévisible. Ce nouveau chemin est régi par une carte « effective » ou « moyenne » de la ville. Au lieu de réagir à chaque petit caillou, la foule réagit à la « pente » générale du terrain.

Le Rebondissement : La foule affecte la route
Ce qui rend cet article spécial, c'est qu'il ne s'agit pas seulement d'une personne marchant seule ; il s'agit d'une foule entière où la foule elle-même modifie la route.

Imaginez que le « coût » de la marche dépende de la densité de la foule dans la rue. Si vous êtes dans une foule dense, marcher est plus difficile. Si vous êtes seul, c'est plus facile. C'est ce qu'on appelle un problème de « champ moyen » (mean field). Les auteurs montrent que même lorsque la route est bosselée et que la route change en fonction de la distribution de la foule, le même principe de « lissage » fonctionne. Le chaos complexe, bosselé et dépendant de la foule finit par se stabiliser en un flux lisse et prévisible.

À quelle vitesse cela fonctionne-t-il ? (La « limite de vitesse »)
Les auteurs n'ont pas seulement dit « cela fonctionne » ; ils ont calculé exactement à quelle vitesse la route bosselée ressemble à une route lisse.

Le cas général (La route « dentelée ») : Si les bosses de la route dépendent à la fois de l'emplacement et de la densité de la foule, l'erreur entre le vrai chemin bosselé et le chemin moyen lisse diminue à un taux de $\sqrt{\epsilon}$ .
- Analogie : Si vous réduisez de moitié la taille des bosses, l'erreur de votre prédiction ne diminue que d'environ 30 % (puisque $\sqrt{0,5} \approx 0,7$ ). C'est une amélioration décente, mais vous voyez encore de la rugosité.
Le cas particulier (La route « simple ») : Si les bosses ne dépendent que de l'emplacement (et non de la densité de la foule), l'erreur diminue beaucoup plus vite, à un taux de $\epsilon$ .
- Analogie : Si vous réduisez de moitié la taille des bosses, l'erreur de votre prédiction est coupée exactement de moitié. C'est la vitesse « optimale ». Les auteurs ont prouvé que c'est la meilleure vitesse possible pour ce type de problème.

Pourquoi cela importe-t-il
Avant cet article, les mathématiciens savaient que ce « lissage » se produisait pour des individus marchant dans des villes bosselées (dimensions finies). Ils savaient également que cela se produisait pour des foules dans des villes lisses.

Cet article est le premier à prouver que cela fonctionne pour des foules dans des villes bosselées, et il donne les limites de vitesse précises de la transformation du chaos en ordre. Ils ont essentiellement construit un pont entre le monde microscopique désordonné des agents individuels et le monde macroscopique propre du comportement moyen, même lorsque l'environnement est radicalement instable.

En résumé
L'article dit : « Si vous avez un groupe immense de personnes essayant de se déplacer dans un environnement bosselé qui change rapidement, où la foule affecte la difficulté du mouvement, vous n'avez pas besoin de suivre chaque bosse. Vous pouvez utiliser un modèle simplifié et lisse pour prédire leur comportement, et nous pouvons vous dire exactement quelle sera la précision de cette prédiction. »

Résumé Technique : Homogénéisation Quantitative d'Équations de Hamilton–Jacobi Convexes dans l'Espace de Wasserstein

Énoncé du Problème
Cet article étudie le comportement asymptotique et les taux de convergence quantitatifs des équations de Hamilton–Jacobi (HJ) de premier ordre posées sur l'espace de Wasserstein des mesures de probabilité de Borel à moments seconds finis, noté $P_2(\mathbb{R}^d)$ . L'équation principale étudiée est :
$\begin{cases} -\partial_t U^\varepsilon + \int_{\mathbb{R}^d} H\left(\frac{x}{\varepsilon}, x, D_m U^\varepsilon(t, m, x), m\right) m(dx) = 0, & (t, m) \in [0, T) \times P_2(\mathbb{R}^d), \\ U^\varepsilon(T, m) = G(m), & m \in P_2(\mathbb{R}^d), \end{cases}$
où $H$ est un Hamiltonien convexe présentant des oscillations spatiales rapides à l'échelle $\varepsilon > 0$ via la variable rapide $x/\varepsilon$ . La solution $U^\varepsilon$ représente la fonction de valeur d'un problème de contrôle de champ moyen où une large population d'agents minimise un fonctionnel de coût commun dans un environnement hétérogène.

Les auteurs abordent deux contextes distincts selon la dépendance du Hamiltonien $H(y, x, p, m)$ :

Contexte non multi-échelle (Hypothèse A1') : $H$ dépend uniquement de la variable rapide $y = x/\varepsilon$ et de l'impulsion $p$ , indépendamment de la variable macroscopique $x$ et de la mesure $m$ .
Contexte multi-échelle (Hypothèse A1) : $H$ dépend de la variable rapide $y$ , de la variable macroscopique $x$ , de l'impulsion $p$ et de la mesure $m$ .

L'objectif est de prouver que, lorsque $\varepsilon \to 0$ , $U^\varepsilon$ converge uniformément vers une limite $U$ satisfaisant une équation HJ homogénéisée $\bar{H}$ , et d'établir des taux de convergence quantitatifs précis pour cette convergence.

Méthodologie
Les auteurs emploient une combinaison de la théorie du contrôle optimal, des techniques de solutions visqueuses et de méthodes probabilistes adaptées à l'espace de Wasserstein de dimension infinie.

Représentation par le Contrôle et Équivalence des Ensembles de Contrôle :
Un obstacle technique central est l'absence de compacité locale dans $P_2(\mathbb{R}^d)$ , ce qui complique les arguments standards de doublement de variables utilisés en dimension finie. Pour contourner cela, les auteurs établissent d'abord que la fonction de valeur $U^\varepsilon$ reste invariante sous différentes classes de contrôles admissibles. Ils étendent l'ensemble standard des contrôles progressivement mesurables $\mathcal{A}$ à des ensembles plus larges $\mathcal{A}_1$ (mesurables par rapport au temps et à la filtration) et $\mathcal{A}_2$ (mesurables par rapport à une variable aléatoire gaussienne indépendante). Cela leur permet de reformuler le problème de contrôle stochastique en un problème de transport optimal déterministe impliquant des trajectoires aléatoires $\gamma$ reliant des variables aléatoires initiales et terminales $X$ et $Y$ .
Réduction aux Fonctions de Coût :
En exploitant l'équivalence des ensembles de contrôle, les auteurs réécrivent la fonction de valeur $U^\varepsilon$ en termes d'une fonction de coût courant $h^\varepsilon$ , qui représente l'action minimale requise pour transporter une particule de $x$ vers $y$ sur un intervalle de temps avec le Lagrangien oscillatoire $L$ . Plus précisément, ils montrent que :
$U^\varepsilon(t, m) = \inf_{\nu \in P_2} \left( \inf_{(X,Y) \in E_{m,\nu}} \mathbb{E}[h^\varepsilon(t, T, X, Y)] + G(\nu) \right).$
Cette réduction permet l'application des techniques développées pour l'homogénéisation en dimension finie (spécifiquement celles de Tran et Yu) au cadre de dimension infinie.
Sous-additivité et Super-additivité :
Pour le cas non multi-échelle, le taux de convergence est dérivé à partir des propriétés de sous-additivité et de super-additivité de la fonction de coût $h^\varepsilon$ . Ces propriétés, héritées des résultats en dimension finie, garantissent l'existence d'un coût moyen $h$ et fournissent la borne d'erreur $O(\varepsilon)$ .
Partitionnement Temporel pour la Dépendance Multi-échelle :
Dans le cas général multi-échelle (où $H$ dépend de $x$ et $m$ ), les auteurs ne peuvent pas appliquer directement l'argument $O(\varepsilon)$ en raison des variables lentes. Au lieu de cela, ils partitionnent l'intervalle de temps $[t, T]$ en $N$ sous-intervalles. Sur chaque sous-intervalle, ils « gèlent » les variables lentes ( $x$ et $m$ ) à leurs valeurs initiales, réduisant localement le problème au cas non multi-échelle. Ils optimisent ensuite le nombre de partitions $N$ pour équilibrer l'erreur d'homogénéisation ( $O(\varepsilon)$ ) et l'erreur de gel ( $O(1/N)$ ), aboutissant à un taux de $O(\sqrt{\varepsilon})$ .
Identification de la Limite :
Une fois la convergence uniforme établie, les auteurs utilisent une méthode de fonction de test perturbée (doublement de variables) dans l'espace de Hilbert surélevé $L^2(\Omega; \mathbb{R}^d)$ pour vérifier que la limite $U$ est l'unique solution $L$ -visqueuse de l'équation effective. L'unicité des solutions visqueuses dans l'espace de Wasserstein (établie dans la littérature antérieure) assure l'identification de la limite.

Contributions Clés et Résultats

Taux Optimal dans le Cadre Non Multi-échelle (Théorème 1.1) : Sous l'Hypothèse (A1'), les auteurs prouvent que $U^\varepsilon$ converge uniformément vers la solution $U$ de l'équation effective avec un taux de $O(\varepsilon)$ . Cela correspond au taux optimal connu pour les équations HJ convexes en dimension finie dépendant uniquement de la variable rapide et de l'impulsion.
Taux Quantitatif dans le Cadre Multi-échelle (Théorème 1.2) : Dans le cas général de l'Hypothèse (A1), où le Hamiltonien dépend des variables macroscopiques et de la mesure, les auteurs établissent un taux de convergence de $O(\sqrt{\varepsilon})$ . Cela étend les résultats d'homogénéisation multi-échelle de la dimension finie à l'espace de Wasserstein.
Transport Optimal Dynamique (Théorème 1.3) : Les résultats sont étendus aux problèmes de transport optimal dynamique où la condition terminale impose une contrainte sur la distribution finale (c'est-à-dire $G(m) = +\infty$ si $m \neq \nu$ ). Les auteurs dérivent des taux de convergence pour le coût de transport $U^\varepsilon_{ot}$ , montrant $O(\varepsilon)$ dans le cas simplifié et $O(\sqrt{\varepsilon})$ dans le cas général, avec une dépendance explicite vis-à-vis de la distance de Wasserstein entre les mesures initiale et cible.
Corollaire sur les Contrôles Restreints (Corollaire 1.5) : L'article démontre que pour les mesures initiales non atomiques, la fonction de valeur reste inchangée même si l'ensemble des contrôles est restreint aux contrôles mesurables par rapport à la $\sigma$ -algèbre de l'état initial. Cela récupère le taux optimal $O(\varepsilon)$ de l'équation HJ classique comme un cas particulier (lorsque la mesure initiale est une masse de Dirac).

Signification et Revendications
Les auteurs affirment que ce travail fournit les premiers résultats de convergence quantitative pour les équations de Hamilton–Jacobi dans l'espace de Wasserstein. Bien que l'homogénéisation qualitative (convergence sans taux) pour les équations HJ de dimension infinie et le transport optimal dynamique ait été étudiée précédemment (par exemple par Gangbo et Tudorascu), cet article établit des taux précis.

Plus précisément, l'article affirme que :

Il étend le taux de convergence optimal $O(\varepsilon)$ des équations HJ convexes de la dimension finie à l'espace de Wasserstein de dimension infinie dans le cadre non multi-échelle.
Il fournit la première analyse quantitative pour le cadre multi-échelle dans l'espace de Wasserstein, produisant un taux de $O(\sqrt{\varepsilon})$ .
La méthodologie contourne avec succès l'absence de compacité locale dans $P_2(\mathbb{R}^d)$ en utilisant la randomisation des contrôles et des formulations équivalentes, une technique que les auteurs notent ne pas pouvoir être appliquée directement aux problèmes impliquant un bruit idiosyncrasique ou commun.

L'article conclut en notant que ces résultats comblent le fossé entre la théorie de l'homogénéisation en dimension finie et les problèmes de contrôle de champ moyen/transport optimal dans des environnements hétérogènes, fournissant une base rigoureuse pour la dynamique effective des grands systèmes en interaction.

Articles similaires