On the rate of convergence in superquadratic Hamilton--Jacobi equations with state constraints

Questo studio determina il tasso di convergenza nel limite di viscosità nulla per equazioni di Hamilton-Jacobi superquadratiche con vincoli sullo stato, stabilendo un ordine di $\mathcal{O}(\varepsilon^{1/2})$ per dati lipschitziani non negativi e ottenendo un limite superiore migliorato di $\mathcal{O}\big(\varepsilon^{\frac{p}{2(p-1)}}\big)$ per dati semiconcavi.

L'essenziale

Il Titolo: "Quanto velocemente si avvicina la realtà alla teoria?"

Immagina di avere una mappa del territorio che rappresenta la soluzione perfetta di un problema complesso (chiamata u). Questa mappa è ideale, ma è difficile da disegnare perché il terreno è molto accidentato e ci sono delle regole rigide ai bordi (come un recinto che non puoi oltrepassare).

Ora, immagina di voler creare una versione approssimata di questa mappa (chiamata uε). Questa versione è più "morbida" e gestibile, perché include un piccolo elemento di "rumore" o "fluido" (rappresentato dalla lettera greca ε, epsilon) che rende il terreno meno scosceso e più facile da navigare.

Il problema che gli autori (Dutta, Nguyen e Tu) vogliono risolvere è questo: Quanto velocemente la versione approssimata (uε) si avvicina alla versione perfetta (u) man mano che riduciamo il "rumore" (ε) fino a farlo scomparire?

L'Analogia: Il Viaggiatore e il Fiume

Per capire meglio, usiamo un'analogia:

1. Il Problema (L'Equazione di Hamilton-Jacobi): Immagina di dover pianificare il percorso più veloce per attraversare una città, ma devi rispettare delle regole severe: non puoi uscire dai confini della città (questo è il "vincolo di stato").
2. La Soluzione Perfetta (u): È il percorso ideale, calcolato con precisione matematica assoluta. È come se il viaggiatore avesse una vista dall'alto perfetta e potesse muoversi istantaneamente.
3. La Soluzione Approssimata (uε): È come se il viaggiatore fosse un po' ubriaco o se il terreno fosse coperto di nebbia (il "viscosità"). Il viaggiatore non vede tutto perfettamente e fa piccoli passi incerti. Tuttavia, questa versione è più facile da calcolare per un computer.
4. Il Limite (ε → 0): Man mano che la nebbia si dirada (ε diventa minuscolo), il viaggiatore ubriaco inizia a comportarsi sempre più come il viaggiatore perfetto.

Cosa hanno scoperto gli autori?

Prima di questo lavoro, gli scienziati sapevano già quanto velocemente questa "nebbia" si dirada quando il terreno è "morbido" (quando l'equazione è meno complessa, con un parametro p tra 1 e 2).

Ma in questo articolo, gli autori si sono concentrati su un caso molto più difficile: quando il terreno è "super-ripido" (quando p > 2). In questo scenario, il comportamento vicino ai bordi della città (il confine) è molto misterioso e difficile da prevedere.

Ecco i loro due risultati principali, spiegati con metafore:

1. La Regola Generale (Teorema 1.1)

Se il terreno è irregolare ma gestibile (dati "Lipschitz"), gli autori hanno dimostrato che la versione approssimata si avvicina a quella perfetta con una velocità di radice quadrata di ε (√ε).

• In parole povere: Se riduci la nebbia di 100 volte, la tua mappa approssimata diventa 10 volte più precisa (perché la radice quadrata di 100 è 10). Non è un miglioramento istantaneo, ma è una velocità stabile e prevedibile.

2. Il Trucco per Terreni Speciali (Teorema 1.2)

Se il terreno ha una forma speciale (i dati sono "semiconcavi" e si annullano ai bordi, come una collina che scende dolcemente fino a zero), gli autori hanno scoperto che la convergenza è molto più veloce.

• In parole povere: In queste condizioni speciali, riducendo la nebbia, la mappa approssimata diventa precisa molto più rapidamente di quanto ci si aspettasse. È come se, in certe zone della città, la nebbia si diradasse magicamente prima che altrove.

Perché è importante?

Immagina di dover programmare un'auto a guida autonoma che deve muoversi in una città affollata senza uscire dalle strade.

• Il modello matematico perfetto è troppo complesso per essere calcolato in tempo reale.
• Il modello approssimato (con "viscosità") è più facile da calcolare, ma è meno preciso.

Questo articolo dice agli ingegneri: "Ehi, se usate questo tipo di modello approssimato per terreni molto ripidi, sapete esattamente quanto errore commetterete. E se il vostro percorso ha certe caratteristiche speciali, l'errore sarà ancora più piccolo di quanto pensavate!"

In sintesi

Gli autori hanno creato una regola di misurazione per capire quanto velocemente una soluzione "imperfetta" (ma calcolabile) diventa una soluzione "perfetta" (ma difficile da calcolare) in situazioni complesse. Hanno dimostrato che, anche nei casi più difficili (terreni super-ripidi), possiamo prevedere con certezza la velocità di questo miglioramento, e in alcuni casi fortunati, il miglioramento è addirittura più veloce del previsto.

È come se avessero trovato la formula esatta per dire: "Quanto devo pulire la mia lente (ridurre ε) per vedere l'immagine (la soluzione) abbastanza chiara da poterla usare?"

Sommario tecnico

Riassunto Tecnico: Tasso di convergenza nelle equazioni di Hamilton-Jacobi superquadratiche con vincoli di stato

Titolo: On the rate of convergence in superquadratic Hamilton–Jacobi equations with state constraints
Autori: Prerona Dutta, Khai T. Nguyen, Son N.T. Tu
Data: Settembre 2025

1. Il Problema

Il lavoro si concentra sullo studio del limite di viscosità nulla per le soluzioni delle equazioni di Hamilton-Jacobi (HJ) con vincoli di stato (state constraints) in un dominio limitato e aperto $\Omega \subset \mathbb{R}^n$ con frontiera $C^2$.

Si considerano due problemi:

1. Il problema limite (viscosità nulla, $\varepsilon = 0$):
   $$\begin{cases} \lambda u(x) + H(x, Du(x)) = 0, & x \in \Omega \\ \lambda u(x) + H(x, Du(x)) \ge 0, & x \in \partial\Omega \end{cases}$$
   dove l'Hamiltoniana è superquadratica: $H(x, \xi) = |\xi|^p - f(x)$ con $p > 2$. La soluzione $u$ è l'unica soluzione di viscosità data dalla formula di rappresentazione variazionale (formula di Hopf-Lax generalizzata).

2. Il problema regolarizzato (viscosità positiva, $\varepsilon > 0$):
   $$\begin{cases} \lambda u_\varepsilon(x) + |Du_\varepsilon(x)|^p - \varepsilon \Delta u_\varepsilon(x) = f(x), & x \in \Omega \\ \lambda u_\varepsilon(x) + |Du_\varepsilon(x)|^p - \varepsilon \Delta u_\varepsilon(x) \ge f(x), & x \in \partial\Omega \end{cases}$$
   Questo corrisponde a un problema di controllo ottimo stocastico soggetto a vincoli di stato.

L'obiettivo principale è quantificare il tasso di convergenza della norma uniforme $\|u_\varepsilon - u\|_{C^0}$ quando $\varepsilon \to 0^+$.

La sfida specifica:
Per $1 < p \le 2$, il comportamento delle soluzioni$u_\varepsilon$vicino al bordo$\partial\Omega$è ben noto (spesso associate a soluzioni "grandi" o *large solutions* che tendono all'infinito). Per$p > 2$, invece, il comportamento al bordo non è esplicitamente noto, rendendo difficile la costruzione di funzioni barriera adeguate e rendendo inapplicabili i metodi usati in letteratura per il caso sub/super-quadratico inferiore.

2. Metodologia

Gli autori sviluppano una strategia analitica che combina tecniche di controllo ottimo, proprietà di regolarità delle soluzioni di viscosità e metodi di approssimazione.

• Stime di Regolarità: Vengono stabilite nuove stime locali per il gradiente $|Du_\varepsilon|$ che dipendono esplicitamente dalla distanza dal bordo $d_{\partial\Omega}(x)$ e dal termine di oscillazione di $f$. Viene dimostrato che per $p>2$, la soluzione è Hölderiana con esponente $\alpha_p = \frac{p-2}{p-1}$.
• Stima Inferiore (Lower Bound):
  • Si utilizza la convoluzione sup ($u_\theta$) per approssimare la soluzione limite $u$ con una funzione semiconvessa.
  • Poiché la convoluzione sup restringe il dominio di validità dell'equazione, gli autori introducono una mappatura di correzione $T_\delta$ basata sulla funzione distanza per estendere la validità dell'approssimazione all'intero dominio $\Omega$.
  • Si applica il principio di confronto tra la soluzione regolarizzata $u_\varepsilon$ e l'approssimazione semiconvessa per ottenere un limite inferiore all'errore.
• Stima Superiore (Upper Bound):
  • Per dati Lipschitziani, si utilizza il metodo della doppia variabile (doubling of variables) per analizzare il massimo della differenza $u_\varepsilon - u$.
  • Viene costruita una funzione barriera modificata che sfrutta la struttura specifica dell'Hamiltoniana superquadratica e le proprietà del Laplaciano della funzione distanza. Questa costruzione è più raffinata rispetto alla letteratura precedente (es. [1]), permettendo di gestire la mancanza di informazioni esplicite al bordo per $p>2$.
  • Per dati semiconcavi con supporto compatto, si dimostra che la soluzione $u$ mantiene la proprietà di semiconcavità (grazie al fatto che le traiettorie ottimali possono fermarsi quando escono dal supporto di $f$), permettendo stime più precise.

3. Risultati Principali

Il lavoro stabilisce due teoremi fondamentali sui tassi di convergenza:

Teorema 1.1 (Dati Lipschitziani):
Per ogni $p > 2$ e dati $f \in \text{Lip}(\Omega)$:

• Limite Inferiore: $\inf_{x \in \Omega} (u_\varepsilon(x) - u(x)) \ge -C \varepsilon^{1/2}$.
• Limite Superiore: Se $f \ge 0$ e $f=0$ su $\partial\Omega$, allora $\sup_{x \in \Omega} (u_\varepsilon(x) - u(x)) \le C \varepsilon^{1/2}$.
• Significato: Il tasso di convergenza è $O(\varepsilon^{1/2})$. Questo tasso emerge naturalmente dal metodo della doppia variabile ed è considerato ottimale in generale (esistono esempi in letteratura dove non può essere migliorato).

Teorema 1.2 (Dati Semiconcavi con supporto compatto):
Se $f \in C_c(\Omega)$ è non negativa e semiconcava, il tasso di convergenza superiore migliora:
$$\max_{x \in \Omega} (u_\varepsilon(x) - u(x)) \le C \cdot \varepsilon^{\frac{1-\alpha_p}{2}} = C \cdot \varepsilon^{\frac{1}{2(p-1)}}$$
dove $\alpha_p = \frac{p-2}{p-1}$.

• Poiché per $p > 2$ si ha $\frac{1-\alpha_p}{2} > \frac{1}{2}$, questo rappresenta un miglioramento significativo rispetto al caso generale Lipschitziano.
• Il risultato si estende anche a dati $f \in C^2(\Omega)$ che si annullano insieme al loro gradiente sul bordo ($f=0, Df=0$ su $\partial\Omega$), approssimabili tramite funzioni semiconcave compatte.

4. Contributi Chiave

1. Superamento della barriera $p>2$: Il lavoro risolve la difficoltà tecnica legata alla mancanza di informazioni esplicite sul comportamento al bordo per equazioni superquadratiche ($p>2$), un problema aperto rispetto al caso $p \le 2$.
2. Nuove Stime del Gradiente: Viene fornita una stima esplicita e affilata per il gradiente $|Du_\varepsilon|$ vicino al bordo, che è cruciale per la costruzione delle barriere.
3. Miglioramento del Tasso di Convergenza: Si dimostra che sotto ipotesi di regolarità aggiuntive (semiconcavità e supporto compatto), il tasso di convergenza può essere migliorato da $O(\varepsilon^{1/2})$ a $O(\varepsilon^{\frac{1}{2(p-1)}})$.
4. Costruzione di Barriere Raffinate: Viene introdotta una tecnica di costruzione di funzioni barriera che adatta i metodi esistenti alla geometria specifica del caso superquadratico, migliorando le costanti e i tassi rispetto a lavori precedenti come [1].

5. Significato e Impatto

Questo studio è fondamentale per la teoria delle equazioni alle derivate parziali non lineari e per la teoria del controllo ottimo.

• Teorico: Chiude un divario nella comprensione dei limiti di viscosità per Hamiltoniane superquadratiche con vincoli di stato, fornendo tassi di convergenza rigorosi dove prima mancavano o erano meno precisi.
• Applicativo: I risultati hanno implicazioni per la simulazione numerica di problemi di controllo ottimo stocastico e deterministico. La conoscenza del tasso di convergenza permette di stimare l'errore introdotto dall'aggiunta di un termine di regolarizzazione (viscosità) nei metodi numerici, guidando la scelta della griglia e del parametro $\varepsilon$ per ottenere soluzioni accurate con costi computazionali ridotti.
• Metodologico: L'approccio combinato di convoluzione sup, mappature geometriche del dominio e analisi fine del comportamento al bordo offre un nuovo paradigma per trattare problemi di HJ con vincoli complessi.

In sintesi, il documento fornisce una caratterizzazione completa e quantitativa della convergenza $u_\varepsilon \to u$ nel regime superquadratico, distinguendo chiaramente tra il comportamento generale (Lipschitz) e quello ottimizzato (semiconcavo), e fornendo strumenti analitici robusti per future ricerche in questo settore.