An inverse source problem for the Monge--Ampere equation from large boundary data

तकनीकी सारांश: बड़े सीमा डेटा (Large Boundary Data) से मोंगे-एम्पियर समीकरण के लिए एक व्युत्क्रम स्रोत समस्या (Inverse Source Problem)

समस्या विवरण
यह शोध पत्र एक परिबद्ध, चिकने (smooth), समान रूप से उत्तल (uniformly convex) डोमेन $\Omega \subset \mathbb{R}^n$ ($n \ge 2$) पर मोंगे-एम्पियर समीकरण के लिए व्युत्क्रम स्रोत समस्या को संबोधित करता है। समीकरण इस प्रकार है:
$$\det D^2 u = f(x) \quad \Omega \text{ में,}$$
जहाँ स्रोत पद $f$ एक धनात्मक, चिकना फलन है। मुख्य उद्देश्य यह निर्धारित करना है कि क्या स्रोत $f$ को डिरिचलेट-टू-नेमन (DN) मानचित्र $\Lambda_f$ द्वारा अद्वितीय रूप से निर्धारित किया जा सकता है, जो सीमा डेटा $g$ को अद्वितीय दृढ़ उत्तल समाधान $u_g$ के अभिलंब अवकलज (normal derivative) पर मैप करता है:
$$\Lambda_f(g) = \partial_\nu u_g|_{\partial\Omega}.$$
विशेष रूप से, लेखक यह जांचते हैं कि क्या $\Lambda_{f_1} = \Lambda_{f_2}$ होने पर चिकने, धनात्मक स्रोतों के वर्ग के भीतर $f_1 = f_2$ होता है।

कार्यप्रणाली (Methodology)
लेखक एक "बड़े-डेटा" (large-data) स्पर्शोन्मुखी दृष्टिकोण (asymptotic approach) का उपयोग करते हैं, जो अर्ध-रैखिक समीकरणों के लिए उपयोग की जाने वाली मानक उच्च-क्रम रैखिकीकरण (higher-order linearization) विधियों से भिन्न है। कार्यप्रणाली निम्नलिखित चरणों के माध्यम से आगे बढ़ती है:

1. विशाल बेलनाकार सीमा डेटा (Large Cylindrical Boundary Data): शून्य या छोटे समाधान के आसपास विचलन करने के बजाय, लेखक $t \gg 1$ द्वारा पैरामीटराइज्ड बड़े सीमा मानों को निर्धारित करते हैं। एक निश्चित दिशा $\omega \in S^{n-1}$ के लिए, सीमा डेटा को इस प्रकार परिभाषित किया गया है:
   $$g_{t,\omega} = t \phi_\omega|_{\partial\Omega}, \quad \text{जहाँ } \phi_\omega(x) = \frac{1}{2}|P_{\omega^\perp} x|^2.$$
   यहाँ, $P_{\omega^\perp}$ हाइपरप्लेन $\omega^\perp$ पर लंबवत प्रक्षेप (orthogonal projection) है। प्रोफाइल $\phi_\omega$, $\omega$ की दिशाओं में सख्त उत्तल है लेकिन $\omega$-दिशा में क्षीण (degenerate/linear) है।

2. स्पर्शोन्मुखी विस्तार (Asymptotic Expansion): बड़े डेटा $g_{t,\omega}$ के संगत समाधान $u_{t,\omega}$ का विश्लेषण एक स्पर्शोन्मुखी विस्तार के माध्यम से किया जाता है:
   $$u_{t,\omega} = t\phi_\omega + t^{1-n}w_\omega + r_{t,\omega},$$
   जहाँ $w_\omega$ एक "कॉर्डवाइज़ सुधार" (chordwise correction) पद है। अग्रणी पद $t\phi_\omega$ अनुप्रस्थ उत्तलता (transverse convexity) को पकड़ता है, जबकि प्रथम सुधार $t^{1-n}w_\omega$ उस अनुदैर्ध्य उत्तलता (longitudinal convexity) की भरपाई करता है जो मोंगे-एम्पियर समीकरण के साथ स्रोत $f$ को संतुष्ट करने के लिए आवश्यक है।

3. 1D समस्या में न्यूनीकरण (Reduction to a 1D Problem): यह दिखाया गया है कि सुधार पद $w_\omega$ $\omega$ के समानांतर $\Omega$ के कॉर्ड्स (chords) के साथ एक एक-आयामी डिरिचलेट समस्या को संतुष्ट करता है। विशेष रूप से, एक कॉर्ड के लिए जिसे $s$ द्वारा पैरामीटराइज किया गया है (जहाँ $x = y + s\omega$), $w_\omega$ निम्नलिखित को संतुष्ट करता है:
   $$\partial_s^2 w_\omega(y, s) = f(y + s\omega), \quad w_\omega(y, s_\pm(y)) = 0,$$
   जहाँ $s_\pm(y)$ कॉर्ड के अंत बिंदु हैं।

4. सीमा माप विश्लेषण (Boundary Measurement Analysis): गैर-ग्लांसिंग (non-glancing) सीमा पर $\partial_\nu u_{t,\omega}$ के स्पर्शोन्मुखी व्यवहार का विश्लेषण करके, लेखक दिखाते हैं कि DN मानचित्र $w_\omega$ के $\partial_\nu w_\omega$ के सीमा मानों को निर्धारित करता है। कॉर्डवाइज़ समीकरण पर फंडामेंटल थ्योरम ऑफ कैलकुलस का उपयोग करते हुए, ये सीमा अवकलज सीधे स्रोत $f$ के कॉर्ड के साथ रेखा समाकल (line integral) से संबंधित होते हैं:
   $$\int_{s_-(y)}^{s_+(y)} f(y + s\omega) \, ds = \partial_s w_\omega(y, s_+(y)) - \partial_s w_\omega(y, s_-(y)).$$

5. X-रे ट्रांसफॉर्म की इंजेक्टिविटी (Injectivity of the X-ray Transform): बड़े डेटा परिवार के लिए DN मानचित्रों की समानता, दो स्रोतों $f_1$ और $f_2$ के यूक्लिडियन X-रे ट्रांसफॉर्म (रेखाओं तक सीमित रेडोन ट्रांसफॉर्म) की समानता को दर्शाती है। लेखक यह निष्कर्ष निकालने के लिए मानक फूरियर-स्लाइस प्रमेय का उपयोग करते हैं कि यदि X-रे ट्रांसफॉर्म समान हैं, तो स्रोत भी समान होंगे।

प्रमुख योगदान और परिणाम

• एकरूपता प्रमेय (Uniqueness Theorem - Theorem 1.1): प्राथमिक परिणाम यह स्थापित करता है कि यदि सभी चिकने सीमा डेटा $g$ के लिए $\Lambda_{f_1}(g) = \Lambda_{f_2}(g)$, तो $f_1 = f_2$। महत्वपूर्ण रूप से, प्रमाण यह प्रदर्शित करता है कि अद्वितीयता तब भी बनी रहती है जब DN मानचित्र केवल बड़े बेलनाकार सीमा मानों $g_{t,\omega}$ के प्रतिबंधित परिवार के लिए ज्ञात हों।
• स्पर्शोन्मुखी कठोरता (Asymptotic Rigor - Theorem 3.3): शोध पत्र वास्तविक समाधान और स्पर्शोन्मुखी एंसेट $t\phi_\omega + t^{1-n}w_\omega$ के बीच अंतर के लिए कठोर $L^\infty$ अनुमान प्रदान करता है। यह सिद्ध करता है कि त्रुटि बल्क (bulk) में $O(t^{1-2n})$ और गैर-ग्लांसिंग सीमा के कॉम्पैक्ट सबसेट्स पर अभिलंब अवकलज के लिए $O(t^{1-n-n/2})$ के क्रम में है।
• ग्लांसिंग बिंदुओं को संभालना (Handling Glancing Points): एक महत्वपूर्ण तकनीकी योगदान "ग्लांसिंग" बिंदुओं (जहाँ कॉर्ड सीमा के स्पर्शरेखीय होता है) के पास $w_\omega$ के व्यवहार का विश्लेषण है। लेखक यह सिद्ध करते हैं कि अंत बिंदुओं का पैरामीट्राइजेशन इन बिंदुओं पर विलक्षण (singular) होने के बावजूद, फलन $w_\omega$ पूरे डोमेन $\Omega$ में सुचारू रूप से विस्तारित होता है, जिससे वैश्विक रूप से स्पर्शोन्मुखी विस्तार की वैधता सुनिश्चित होती है।
• आयामी सामान्यता (Dimensional Generality): दो आयामों तक सीमित पिछले कार्यों के विपरीत, यह विधि सभी आयामों $n \ge 2$ के लिए मान्य है।

महत्व और दावे
शोध पत्र दावा करता है कि यह मोंगे-एम्पियर प्रकार के पूर्णतः गैर-रैखिक समीकरणों के लिए व्युत्क्रम स्रोत समस्याओं को हल करने के लिए एक नया तंत्र प्रदान करता है। इसका महत्व यहाँ है:

1. पद्धतिगत बदलाव (Methodological Shift): छोटे समाधानों पर रैखिकीकरण (जिससे पृष्ठभूमि समाधान के हेसियन पर निर्भर रैखिक गुणांक मिलते हैं) से हटकर, एक बड़े-डेटा स्पर्शोन्मुखी शासन की ओर बढ़ना। यह उन विसंगतियों (degeneracy) से बचता है जो अक्सर क्वासिलिनियर समस्याओं में शून्य या छोटे समाधानों पर रैखिकीकरण करने से जुड़ी होती हैं।
2. प्रत्यक्ष ज्यामितीय न्यूनीकरण (Direct Geometric Reduction): यह विधि गैर-रैखिक व्युत्क्रम समस्या को कॉर्ड्स की ज्यामिति के माध्यम से सीधे यूक्लिडियन X-रे ट्रांसफॉर्म की इंजेक्टिविटी में बदल देती है, जिससे मध्यवर्ती गुणांकों को पुनः प्राप्त करने की आवश्यकता समाप्त हो जाती है।
3. पूर्णता (Completeness): परिणाम पुष्टि करता है कि अद्वितीयता के लिए पूर्ण DN मानचित्र अनिवार्य नहीं है; एक विशिष्ट, भौतिक रूप से प्रेरित बड़े सीमा मापों का परिवार स्रोत को अद्वितीय रूप से पुनः प्राप्त करने के लिए पर्याप्त है।

लेखक नोट करते हैं कि उनका दृष्टिकोण [29] की पद्धति से भिन्न है, जो गैर-शून्य समाधानों पर रैखिकीकरण करता है और डिटर्मिनेंट लेने से पहले हेसियन मैट्रिक्स को पुनः प्राप्त करता है। इसके विपरीत, यह शोध पत्र का बड़ा-पैरामीटर दृष्टिकोण सीधे प्रथम-क्रम सुधार पद से स्रोत इंटीग्रल्स को निकालता है।