Failure of Fixed-Profile Modified Scattering at the Pure $L^2$ Endpoint for the 1D Defocusing Cubic NLS

तकनीकी सारांश: शुद्ध $L^2$ एंडपॉइंट पर फिक्स्ड-प्रोफाइल मॉडिफाइड स्कैटरिंग की विफलता

समस्या विवरण
यह शोधपत्र एक-आयामी डिफोकसिंग क्यूबिक नॉनलीनर श्रोडिंगर समीकरण (NLS) के समाधानों के एसिम्प्टोटिक व्यवहार को संबोधित करता है:
$$i q_t + q_{xx} = 2|q|^2 q, \quad q(0) = q^* \in L^2(\mathbb{R}).$$
विशेष रूप से, यह अनवेटेड (unweighted) $L^2$ एंडपॉइंट पर फिक्स्ड-प्रोफाइल मॉडिफाइड-स्कैटरिंग एंसेट (ansatz) की वैधता की जांच करता है। मानक अनुमान यह प्रस्तावित करता है कि किसी भी प्रारंभिक डेटा $q^* \in L^2(\mathbb{R})$ के लिए, एक समय-स्वतंत्र प्रोफाइल $V \in L^2(\mathbb{R})$ मौजूद होता है जिससे समाधान $q(t)$ इस प्रकार व्यवहार करता है:
$$\|\mathcal{F}q(t) - e^{-i(\log t)|V|^2}V\|_{L^2_\xi} \to 0 \quad \text{जब } t \to +\infty,$$
जहाँ $\mathcal{F}$ एक यूनिटरी फूरियर ट्रांसफॉर्म है। हालांकि उच्च नियमितता (regularity) या स्थानिक क्षय (spatial decay) वाले डेटा (जैसे, $H^1$, या $H^{1,1}$, या वेटेड $L^2$ स्पेस) के लिए यह मॉडिफाइड स्कैटरिंग व्यवहार अच्छी तरह से स्थापित है, शुद्ध $L^2$ एंडपॉइंट पर एक निश्चित प्रोफाइल के अस्तित्व के संबंध में यह एक खुला प्रश्न बना हुआ है।

कार्यप्रणाली (Methodology)
लेखक इनवर्स स्कैटरिंग ट्रांसफॉर्म (IST) के माध्यम से डिफोकसिंग NLS समीकरण की इंटीग्रेबिलिटी का उपयोग करते हुए एक रचनात्मक प्रति-उदाहरण (constructive counterexample) दृष्टिकोण अपनाते हैं। कार्यप्रणाली निम्नलिखित प्रमुख तकनीकी चरणों के माध्यम से आगे बढ़ती है:

1. स्पेक्ट्रल नॉर्मलाइजेशन और निरंतरता (Continuity): शोधपत्र शूर फलनों (Schur functions) के लिए डायरेक्ट स्पेक्ट्रल मैप से $L^2(\mathbb{R})$ तक की निरंतरता को स्थापित करता है। यह ट्रांसमिशन गुणांक $a(\zeta)$ और रिफ्लेक्शन गुणांक $r(\zeta)$ को परिभाषित करने के लिए विभिन्न स्पेक्ट्रल कन्वेंशन (बेशोनोव-डेनिसोव, डीफ्ट-ज़ू, और बेशोनोव-गुबकिन) को सामंजस्यपूर्ण बनाता है। एक महत्वपूर्ण संरक्षण नियम पहचाना गया है: मात्रा $\rho_q(\xi) = \frac{1}{\pi} \log |a_q(-\xi/2 + i0)|$ समय में संरक्षित रहती है और किसी भी संभावित स्कैटरिंग प्रोफाइल $V$ के आवश्यक मोडुलस को निर्धारित करती है (अर्थात, $|V|^2 = \rho_{q^*}$)।

2. स्मूथ डेटा का विश्लेषण: स्मूथ, कॉम्पैक्टली सपोर्टेड डेटा के लिए, डीफ्ट-ज़ू एसिम्प्टोटिक एक्सपेंशन को एक स्ट्रोंग $L^2$ कन्वर्जेंस परिणाम में परिवर्तित किया जाता है। यह स्थापित करता है कि नियमित डेटा के लिए, एक सुधारा गया प्रोफाइल $V_q$ मौजूद होता है, जिसका फेज ट्रांसमिशन डेंसिटी पर कार्य करने वाले एक वन-साइडेड लॉगरिदमिक ऑपरेटर $T$ द्वारा निर्धारित होता है।

3. दूर-बम्प इंटरफेरेंस तंत्र (Far-Bump Interference Mechanism): निर्माण का मुख्य आधार ज़खारोव-शाबत् (Zakharov–Shabat) ट्रांसफर मैट्रिसेस का सटीक संयोजन है। लेखक प्रदर्शित करते हैं कि एक संभावित $q$ में एक छोटा, स्थानिक रूप से दूर स्थित "बम्प" (एक स्मूथ, कॉम्पैक्टली सपोर्टेड परटर्बेशन $p(x-X)$) जोड़ने से ट्रांसमिशन गुणांक में एक विशिष्ट इंटरफेरेंस उत्पन्न होता है।

   • संयोजन नियम रिफ्लेक्शन गुणांक में $e^{iXz}$ टर्म बनाता है।
   • वन-साइडेड लॉगरिदमिक ऑपरेटर $T$, जो फेज को नियंत्रित करता है, एक एम्पलीफायर के रूप में कार्य करता है। जब इसे ऑसिलेटरी टर्म $e^{iXz}$ पर लागू किया जाता है, तो यह $\log X$ के क्रम का शिफ्ट उत्पन्न करता है।
   • बम्प के आयाम $\epsilon$ और स्थान $X$ को इस प्रकार चुनने पर कि $\epsilon \log X = \kappa$ (एक स्थिरांक) हो, लेखक परटर्बेशन के $L^1$ और $L^2$ नॉर्म्स को मनमाने ढंग से छोटा रखते हुए, एसिम्प्टोटिक प्रोफाइल में एक समान फेज शिफ्ट डाल सकते हैं।

4. इंडक्टिव "ग्लाइडिंग-हम्प" निर्माण: शोधपत्र एक विशिष्ट प्रारंभिक डेटा $q^*$ का निर्माण करता है जो विलगित (disjoint) स्मूथ बम्प्स का एक अनंत योग है। यह निर्माण अनुकूली (adaptive/online) है:

   • प्रत्येक चरण $n$ पर, एक समय $t_n$ चुना जाता है ताकि समाधान $q_n$ (आंशिक योग) अपने प्रोफाइल $V_n$ के करीब हो।
   • एक नया बम्प $X_{n+1}$ स्थान पर बहुत दूर दाईं ओर जोड़ा जाता है। पैरामीटर इस प्रकार चुने जाते हैं कि नए डेटा और पुराने डेटा के बीच $L^2$ दूरी इतनी कम हो कि समय $t_n$ पर निरंतरता बनी रहे, फिर भी इतनी पर्याप्त हो कि $V_{n+1}$ को $V_n$ के सापेक्ष एक महत्वपूर्ण जंप (jump) दे सके।
   • यह प्रक्रिया प्रोफाइल्स $(V_n)$ का एक ऐसा अनुक्रम उत्पन्न करती है जो $L^2$ में कॉची (Cauchy) नहीं है, भले ही प्रारंभिक डेटा का अनुक्रम $L^2$ में अभिसत (converge) हो रहा हो।

मुख्य योगदान और परिणाम
मुख्य परिणाम थ्योरम 1.1 है, जो कहता है:

• एक वास्तविक-मान वाला प्रारंभिक डेटा $q^* \in L^1(\mathbb{R}) \cap \bigcap_{k \ge 0} H^k(\mathbb{R})$ (स्मूथ और इंटीग्रेबल) मौजूद है, जिसके लिए $x q^* \notin L^2(\mathbb{R})$ (प्रथम मोमेंट की विफलता), जिसके लिए कोई भी प्रोफाइल $V \in L^2(\mathbb{R})$ फिक्स्ड-प्रोफाइल मॉडिफाइड-स्कैटरिंग स्थिति को संतुष्ट नहीं करता है।
• इस प्रति-उदाहरण का $L^2$ नॉर्म मनमाने ढंग से निर्धारित किया जा सकता है।
• निर्माण यह दर्शाता है कि जबकि आंशिक डेटा $L^1 \cap L^2$ में अभिसत होते हैं, परिणामी एसिम्प्टोटिक प्रोफाइल $L^2$ में अभिसत नहीं होते हैं क्योंकि लॉगरिदमिक ऑपरेटर द्वारा एम्प्लीफाई किए गए फेज शिफ्ट संचित होते हैं।

यह शोधपत्र स्पष्ट करता है कि बाधा (obstruction) केवल एकल, समय-स्वतंत्र प्रोफाइल की आवश्यकता के प्रति विशिष्ट है। यह तथ्य कि फेज सूचना को स्थानिक रूप से दूर स्थित परटर्बेशन द्वारा अत्यंत सूक्ष्म स्पेक्ट्रल स्केल्स तक धकेला जा सकता है, जिसे एक निश्चित प्रोफाइल कैप्चर नहीं कर सकता, इस विफलता का मूल कारण है।

महत्व और दावे
शोधपत्र यह दावा करके शुद्ध $L^2$ एंडपॉइंट पर फिक्स्ड-प्रोफाइल मॉडिफाइड स्कैटरिंग के प्रश्न को हल करता है।

• नकारात्मक परिणाम: यह स्थापित करता है कि शास्त्रीय मॉडिफाइड-स्कैटरिंग चित्र, जहाँ समाधान एक फिक्स्ड प्रोफाइल $V$ की ओर अभिसत होता है जो लॉगरिदमिक फेज द्वारा मॉड्युलेटेड है, सामान्य $L^2$ डेटा के लिए असत्य है।
• बाधा का दायरा: यह बाधा "फिक्स्ड-प्रोफाइल" प्रकृति के प्रति विशिष्ट है। शोधपत्र स्पष्ट रूप से यह संभावना खुली छोड़ता है कि अनुकूली (adaptive) या स्केल-डिपेंडेंट रेनोर्मलाइजेशन अभी भी सामान्य $L^2$ समाधानों के लिए एक वैध एसिम्प्टोटिक विवरण प्रदान कर सकते हैं।
• मेथोडोलॉजिकल अंतर्दृष्टि: यह कार्य $L^2$ एंडपॉइंट पर इनवर्स स्कैटरिंग मैप की संवेदनशीलता को उजागर करता है, यह दिखाते हुए कि "ग्लाइडिंग-हम्प" घटना भौतिक स्थान के नॉर्म्स में नगण्य लागत के साथ ट्रांसमिशन गुणांक के लॉगरिदम में उच्च-आवृत्ति दोलन (high-frequency oscillations) डालने की अनुमति देती है।

लेखक नोट करते हैं कि प्रति-उदाहरण का सुझाव शुरू में एक AI टूल के साथ बातचीत के माध्यम से दिया गया था, लेकिन इसका कठोर प्रमाण और निर्माण मौलिक है। यह परिणाम क्षेत्र का ध्यान फिक्स्ड प्रोफाइल की ओर अभिसरण को सिद्ध करने से हटाकर, सामान्य अनवेटेड $L^2$ समाधानों के लिए सही, संभावित रूप से अधिक जटिल, एसिम्प्टोटिक ऑब्जेक्ट की पहचान करने की ओर स्थानांतरित करता है।