Inverse Problems for the Monge--Ampère Equation: Linearization and Nonlinear Recovery

तकनीकी सारांश: मोंगे–एम्पेयर समीकरण के लिए व्युत्क्रम समस्याएँ: रैखिकीकरण और अरैखिक पुनर्प्राप्ति

समस्या विवरण
यह कार्य पूर्णतः अरैखिक मोंगे–एम्पेयर समीकरण के लिए व्युत्क्रम सीमा मान समस्याओं (inverse boundary value problems) की जांच करता है:
$$\det D^2 u = a(x, u, \nabla u) \quad \Omega \text{ में},$$
जहाँ $\Omega \subset \mathbb{R}^n$ एक परिबद्ध डोमेन है और $a$ एक अज्ञात अरैखिकता (nonlinearity) है। शास्त्रीय कैलडेरॉन समस्या (विद्युत प्रतिबाधा टोमोग्राफी) से प्रेरित होकर, लेखक यह पूछते हैं कि क्या एक दिए गए पूर्णतः उत्तल पृष्ठभूमि समाधान (strictly convex background solution) $\Phi$ के साथ $a$ के "जेट" (jet) को सीमा मापों (boundary measurements) से पुनर्प्राप्त किया जा सकता है। विशेष रूप से, लक्ष्य अरैखिक कॉची डेटा सेट (nonlinear Cauchy data set) का उपयोग करके $(x, z, p)$ के सापेक्ष $a$ के डेरिवेटिव्स को $\Phi(x), \nabla \Phi(x)$ के प्रक्षेपवक्र (trajectory) के साथ निर्धारित करना है।

अर्ध-रैखिक (semilinear) या अर्ध-क्वासिलिनियर (quasilinear) समीकरणों के विपरीत, पूर्णतः अरैखिक समीकरणों में आम तौर पर एक मानक डिरिचलेट-टू-नेमन (DN) मानचित्र नहीं होता है और वे स्वाभाविक रूप से रैखिक व्युत्क्रम समस्याओं से नहीं जुड़ते हैं। मोंगे–एम्पेयर समीकरण अपने पूर्णतः अरैखिक स्वभाव के कारण एक अनूठी चुनौती प्रस्तुत करता है, फिर भी इसमें हेसियन (Hessian) के कोफैक्टर मैट्रिक्स (cofactor matrix) के माध्यम से एक अपसरण संरचना (divergence structure) है, जिसका उपयोग लेखक एक व्यवस्थित ढांचा स्थापित करने के लिए करते हैं।

कार्यप्रणाली
लेखक एक उत्तल पृष्ठभूमि समाधान $\Phi$ के चारों ओर एक व्यवस्थित उच्च-क्रम रैखिकीकरण (higher-order linearization) ढांचे को विकसित करते हैं। यह दृष्टिकोण तीन मुख्य चरणों में आगे बढ़ता है:

1. स्थानीय सु-समाधानता और चिकना निर्भरता (Local Well-Posedness and Smooth Dependence):
   लेखक पहले $\Phi|_{\partial \Omega}$ के निकट की सीमा डेटा के लिए डिरिचलेट समस्या की स्थानीय सु-समाधानता स्थापित करते हैं। वे सिद्ध करते हैं कि समाधान ऑपरेटर $S: \eta \mapsto u_\eta$ सीमा डेटा के संबंध में चिकना ($C^k$) है। यह समाधान ऑपरेटर के उच्च-क्रम फ्रेट-डे (Fréchet) डेरिवेटिव्स के स्पष्ट सूत्र प्राप्त करने की अनुमति देता है।

2. कॉची डेटा का रैखिकीकरण:
   एक अरैखिक कॉची डेटा सेट को $\Phi|_{\partial \Omega}$ के निकट के सीमा डेटा $(\eta, \partial_\nu u_\eta|_{\partial \Omega})$ के संग्रह के रूप में परिभाषित किया गया है। लेखक दिखाते हैं कि इस अरैखिक डेटा सेट का प्रथम परिवर्तन (first variation) एक रैखिक दीर्घवृत्तीय ऑपरेटर $L_\Phi$ के कॉची डेटा सेट के साथ मेल खाता है, जो रैखिकीकृत समीकरण को नियंत्रित करता है:
   $$L_\Phi v = \text{div}(C_\Phi \nabla v) - b_\Phi \cdot \nabla v - q_\Phi v = 0,$$
   जहाँ गुणांक (coefficients) पृष्ठभूमि समाधान और अरैखिकता द्वारा निर्धारित होते हैं:

• $C_\Phi = \text{cof } D^2 \Phi$ (हेसियन का कोफैक्टर मैट्रिक्स),
• $b_\Phi = \nabla_p a(x, \Phi, \nabla \Phi)$,
• $q_\Phi = \partial_z a(x, \Phi, \nabla \Phi)$।

महत्वपूर्ण रूप से, इस रैखिकीकृत ऑपरेटर का मुख्य भाग (principal part) विषमदैशिक (anisotropic) है, जो कोफैक्टर मैट्रिक्स $C_\Phi$ द्वारा निर्धारित होता है।

3. न्यूनीकरण और उच्च-क्रम पहचान (Reduction and Higher-Order Identities):
   एक अलेसेंड्रीनी-प्रकार की पहचान (Alessandrini-type identity) का उपयोग करते हुए, लेखक एक न्यूनीकरण सिद्धांत स्थापित करते हैं: अरैखिक कॉची डेटा सेट की समानता उनके संगत रैखिकीकृत DN मानचित्रों की समानता के बराबर है। यह अरैखिक व्युत्क्रम समस्या को $L_\Phi$ के लिए एक विषमदैशिक कैलडेरॉन-प्रकार की व्युत्क्रम समस्या में बदल देता है।
   उच्च-क्रम डेरिवेटिव्स के लिए, लेखक रैखिकीकृत समीकरण और इसके सहचर (adjoint) के समाधानों के उत्पादों से जुड़े अभिन्न पहचानों (integral identities) को व्युत्पन्न करते हैं। इन उत्पादों के लिए उपयुक्त घनत्व धारणाओं के तहत, ये पहचानें पृष्ठभूमि जेट के साथ $a$ के उच्च-क्रम डेरिवेटिव्स को पुनर्प्राप्त करने की अनुमति देती हैं।

मुख्य परिणाम

• प्रथम-क्रम पुनर्प्राप्ति: यदि दो अरैखिकताएं $a_1$ और $a_2$ एक ही पृष्ठभूमि समाधान $\Phi$ के पास समान अरैखिक कॉची डेटा उत्पन्न करती हैं, तो उनके संगत रैखिकीकृत ऑपरेटरों के DN मानचित्र मेल खाते हैं। फलस्वरूप, मात्राएँ $\partial_z a(x, \Phi, \nabla \Phi)$ और $\nabla_p a(x, \Phi, \nabla \Phi)$ विषमदैशिक कैलडेरॉन समस्या की प्राकृतिक गेज इनवेरियंस (boundary-fixing diffeomorphisms) तक, पृष्ठभूमि जेट के साथ निर्धारित होती हैं।
• उच्च-क्रम पुनर्प्राप्ति: यदि पृष्ठभूमि समाधान स्थिर है ($\Phi_1 = \Phi_2 = \Phi$) और $a$ के निम्न-क्रम डेरिवेटिव पहले से ही सहमत हैं, तो उच्च-क्रम रैखिकीकरण पहचानें उच्च डेरिवेटिव $d^k_{(z,p)} a(x, \Phi, \nabla \Phi)$ को पुनर्प्राप्त करने की अनुमति देती हैं। यह रैखिकीकृत समीकरण और उसके सहचर के समाधानों के उत्पादों की घनत्व संपत्ति पर निर्भर करता है।
• विशिष्ट अनुप्रयोग:
  • अर्ध-रैखिक मामला: यदि $a$, $\nabla u$ से स्वतंत्र है (अर्ध-रैखिक), तो रैखिकीकृत ऑपरेटर एक श्रोडिंगर समीकरण में बदल जाता है। $n \ge 3$ आयामों में, यह द्विघात पृष्ठभूमि ($\Phi(x) = |x|^2/2$) के लिए प्रथम-क्रम डेरिवेटिव $\partial_z a$ के लिए विशिष्टता (uniqueness) प्रदान करता है।
  • इष्टतम परिवहन (Optimal Transport): इष्टतम परिवहन से उत्पन्न होने वाली अरैखिकताओं के लिए, विशेष रूप से संतुलन विन्यास $\Phi(x) = |x|^2/2$ में, रैखिकीकृत समीकरण एक मानक समदैशिक चालकता समीकरण (isotropic conductivity equation) में बदल जाता है। यह शास्त्रीय कैलडेरॉन समस्या के साथ एक सीधा संबंध स्थापित करता है, जिससे परिवहन घनत्वों को पुनर्प्राप्त किया जा सकता है।
  • व्युत्क्रम स्रोत समस्याएँ: इस मामले में जहाँ $a(x, u, \nabla u) = f(x)$ है, समस्या स्रोत पद $f(x)$ को पुनर्प्राप्त करने में बदल जाती है, जो कि उत्तल फलनों के कोफैक्टर मैट्रिसेस के वर्ग (class) के कठोरता गुणों (rigidity properties) से जुड़ी है।

महत्व और दावे

यह शोध पत्र दावा करता है कि यह कैलडेरॉन-प्रकार के सीमा मापों के दृष्टिकोण से पूर्णतः अरैखिक मोंगे–एम्पेयर समीकरणों के लिए व्युत्क्रम समस्याओं का पहला व्यवस्थित अध्ययन प्रदान करता है। इसका प्राथमिक योगदान यह प्रदर्शित करना है कि इसके पूर्णतः अरैखिक स्वभाव के बावजूद, इस समस्या को उच्च-क्रम रैखिकीकरण के माध्यम से व्यवस्थित रूप से रैखिक विषमदैशिक कैलडेरॉन-प्रकार की व्युत्क्रम समस्याओं के परिवार में बदला जा सकता है।

लेखक इस बात पर जोर देते हैं कि उनका दृष्टिकोण पूर्णतः अरैखिक PDE और रैखिक व्युत्क्रम समस्याओं के बीच के अंतर को पाटता है, जो मोंगे–एम्पेयर ऑपरेटर की विशिष्ट अपसरण संरचना का लाभ उठाता है। जबकि पूर्ण अरैखिकता की पुनर्प्राप्ति संबंधित विषमदैशिक कैलडेरॉन समस्या की समाधान क्षमता पर निर्भर करती है (जो सामान्य आयामों में बिना अतिरिक्त ज्यामितीय धारणाओं के खुली है), यह शोध पत्र स्थापित करता है कि अरैखिक डेटा प्राकृतिक गेज तक रैखिकीकृत गुणांकों को निर्धारित करता है। इसके अलावा, यह विशिष्ट ज्यामितीय सेटिंग्स (जैसे द्विघात पृष्ठभूमि) और संरचनात्मक धारणाओं (जैसे अर्ध-रैखिकता या इष्टतम परिवहन संतुलन) के तहत, पृष्ठभूमि प्रक्षेपवक्र के साथ अरैखिकता के पूर्ण टेलर विस्तार (Taylor expansion) को पुनर्प्राप्त करके बिना शर्त विशिष्टता परिणाम प्राप्त करता है।