技術要約：DPG法に関する5つの講義

問題提起

本講義は、不連続ペトロフ・ガラーキン（DPG）法を用いた偏微分方程式（PDE）の数値解法について扱う。核心となる課題は、試行空間（$X_h$）とテスト空間（$Y_h$）が異なるペトロフ・ガラーキンの手法における安定性と最適性である。連続問題はバブシュカ・ブレッツィ条件（特にインフ・サップ条件）を満たすが、任意の有限次元部分空間を $X_h$ と $Y_h$ に選択した場合、安定性に必要な離散インフ・サップ条件が自動的に満たされるとは限らない。標準的なPG法は、テスト空間が慎重に構成されていない場合、不安定性や劣最適な収束に陥ることが多い。

手法

1. 最適テスト空間と理想的DPG法

講義では、安定性を保証するための最適テスト空間の概念を紹介する。試行空間 $X_h$ と連続な双線形形式 $b(\cdot, \cdot): X \times Y \to \mathbb{C}$ が与えられたとき、リースの表現定理を通じて、$(Tz, y)_Y = b(z, y)$ （すべての $y \in Y$ に対して）を満たす試行対テスト演算子 $T: X \to Y$ が定義される。

• 最適テスト空間: $Y_h^{opt} = T(X_h)$ として定義される。
• 理想的PG法: すべての $y_h \in Y_h^{opt}$ に対して $b(x_h, y_h) = \ell(y_h)$ を満たす $x_h \in X_h$ を求める。
• 主要な特性: 連続問題がインフ・サップ条件を満たす場合、$Y_h^{opt}$ を用いた離散法は、自動的に同じ定数を持つ離散インフ・サップ条件を満たす。これにより、準最適性が保証される。すなわち、エネルギーノルムにおける誤差は、試行空間における最良近似誤差によって抑えられる。

2. 残差最小化と混合定式化

講義では、理想的なDPG法が以下の事項と等価であることを示している：

• 残差最小化: 双対ノルムにおける残差 $\|\ell - Bz_h\|_{Y^*}$ の最小化。
• 混合ガラーキン定式化: 誤差表現関数 $\varepsilon = R_Y^{-1}(\ell - Bx_h)$ を導入することで、この手法は $Y \times X_h$ 上の標準的な混合ガラーキン定式化へと書き換えることができる。この定式化では、解 $x_h$ と誤差表現 $\varepsilon$ の両方を解く。

3. 不連続テスト空間（「DPG」の名称の由来）

計算の実現可能性を高めるため、テスト空間 $Y$ はメッシュ要素上の積空間（定義16）、すなわち $Y = \prod_{K \in \Omega_h} Y(K)$ として選択される。これにより、要素界面を横断して不連続な関数を持つことが可能になる。

• 局所性: この選択により、試行対テスト演算子 $T$ は局所的になる。ある要素 $K$ 上の基底関数に対する最適テスト関数を計算するには、グローバルな問題を解くのではなく、その要素 $K$ の上でのみ成立する小さな独立した問題を解くだけで済む。

4. 実用的なDPG法（不正確なテスト空間）

厳密な最適テスト空間 $Y_h^{opt}$ の計算は、しばしば無限次元の問題を解くことを要求するため、講義では実用的なDPG法を紹介する。

• 近似: 有限次元の部分空間 $Y_r \subset Y$ が使用される。演算子 $T^r: X \to Y_r$ は、$Y_r$ に制限された上で $T$ と同様に定義される。
• 安定性条件: テスト空間の濃密化（enrichment）が十分である場合（例：$Y_r$ が試行空間に対して十分に高い次数の多項式を含んでいる場合）、投影演算子 $\Pi: Y \to Y_r$ が残差の直交性を保存するという仮定（仮定32）に基づき、実用的な手法は依然として準最適性を維持する。
• 結果: テスト空間の濃密化が十分であれば、実用的な手法は準最適性を保つ。

5. ハイブリダイゼーション

講義では、変数を要素ごとの未知数と、要素間（ファセット）の未知数（数値フラックスまたはトレース）に分割するハイブリダイゼーションについて論じている。

• この構造により、グローバルなテスト空間を分解することが可能になり、試行対テスト演算子の局所性がさらに向上する。
• ハイブリッド定式化（場変数とフラックスの両方を解く）は、非ハイブリッド定式化と等価であることが示されているが、テスト空間を構築するためにグローバルな弱適合問題を解く必要がないため、計算効率が高い。

主要な貢献

1. 視点の統一: 本論文は、DPG法を以下の3つの等価な視点の下で統一している：
   • 非標準的なノルムにおける最小二乗法。
   • 最適テスト空間を用いたペトロフ・ガラーキン法。
   • 誤差表現関数を伴う非標準的な混合法。
2. 準最適性の証明: $Y_h = T(X_h)$ を選択することで、離散インフ・サップ定数が連続的なものと一致することを厳密に証明し、試行空間の選択に関わらず（問題が適切に設定されている限り）安定性が確保されることを示した。
3. 誤差表現: 誤差表現関数 $\varepsilon$ の導入は、事後誤差推定のための自然なメカニ den 機構を提供する。テスト空間 $Y$ における $\varepsilon$ のノルムは、解のエネルギーノルムにおける誤差と等価であることが示されている。
4. ラプラシアンへの具体的な適用: 理論はポアソン方程式（ラプラシアン）に適用される。本論文は、$H^1$ 適合成分と不連続成分を含む特定の試行空間とテスト空間を構築し、適切な多項式次数の濃密化（$r \ge p+N$）を行えば、手法が安定であり、最適な収束率（$O(h^{p+1})$）を持つことを証明している。

結果

• 理論的側面: 定理8、13、および33は、理想的および実用的なDPG法の存在、一意性、および準最適性を確立している。定理54は、区分的多項式試行空間を用いたラプラシアンにおいて、十分に濃密化されたテスト空間が安定性を保証することを具体的に証明している。
• 数値的側面:
  • 収束性: 滑らかな解を持つ単位正方形における数値実験により、線形要素（$p=1$）に対して理論通りの $O(h^2)$ の収束率が確認された。
  • 適応性: 誤差表現関数（$\varepsilon_r$）から導出された誤差推定量が有効であることが示された。適応アルゴリズムにおいて、この推定量は高誤差領域（例：特異点や急峻な層の付近）を正確に特定し、メッシュ細分化を駆動することで、解の効率的な解像を実現する。
  • 比較: 1次元の例において、部分積分を用いたDPG法（例20）は、部分積分を用いない標準的な最小二乗定式化（例19）よりも優れた性能を示し、計算された解は特定のケースにおいて厳密解の $L^2$ 射影と一致する。

意義と主張

本論文は、DPG法を、ペトロフ・ガラーキ法における「標準的な困難さ」、すなわち離散インフ・サップ条件を満たすことの難しさを克服する堅牢なフレームワークとして位置づけている。

• 設計による安定性: 主な意義の主張は、最適（または十分に濃密化された）テスト空間を用いることで、DPG法は安定性を「設計によって」保証しており、他のDG法でしばしば必要とされるアドホックな安定化項を排除できる点にある。
• 事後誤差推定: 手法は自然に信頼性と効率性を備えた誤差推定量（$\varepsilon$）を生成するため、適応的メッシュ細分化戦略に非常に適している。
• 柔軟性: このフレームワークは、不連続な試行空間やハイブリッド変数（フラックス）の使用を可能にし、安定性を損なうことなく、複雑な幾何形状や境界条件の取り扱いを容易にする。

結論として、DPG法は、最小二乗法と混合定式化の間のギャップを埋めつつ、不連続ガラーキン法の手軽さを保持しながら、広範な問題に対して安定な数値スキームを設計するための体系的な方法を提供している。