Strong error analysis of a temporal approximation for stochastic Korteweg-de Vries equation with small additive noise

技術要約：小振幅加法的ノイズを伴う確率的Korteweg–de Vries方程式の強的近似に関する強い誤差解析

問題設定
本論文は、振幅 $O(\epsilon)$（ここで $0 < \epsilon \ll 1$）の小規模な加法的 $Q$-ウィーナーノイズに駆動される、周期的な確率的Korteweg–de Vries (KdV) 方程式の強的時間近似について扱う。方程式は以下で与えられる：
$$\dot{u} + \partial_x^3 u - \mu \partial_x(u^2) = \epsilon Q^{1/2} \dot{W}, \quad t \in [0,T], \ x \in \mathbb{T} = [-\pi, \pi].$$
この方程式の数値解析には、主に2つの課題が存在する：

1. 非線形性と微分項： 非線形項 $\partial_x(u^2)$ は追加の微分を含んでおり、これは通常、標準的な時間離散化において、$H^s$ における1次の収束を証明するために、厳密解に対して高い正則性（$H^{s+3}$）を要求させる。
2. 指数モーメント有界性の欠如： 超線形な非線形性を有する他の多くの確率的偏微分方程式とは異なり、完全な非線形確率的KdVダイナミクスが、強収束解析で一般的に用いられる指数積分可能性の評価を満たすことは知られていない。このことは、決定論的な低正則性インテグレータの直接的な確率的拡張を極めて困難にしている。

確率的分散型偏微分方程式に関する既存の文献は、主に確率的シュレディンガー方程式や波動方程式に焦点を当てており、確率的KdVに対する強的誤差評価はほとんど存在しない。

手法
著者らは、小ノイズ領域（$\epsilon \ll 1$）に特化した新しいアプローチを提案している。核となる戦略は、解 $u$ を決定論的な成分 $\psi$ と、スケーリングされた確率的揺らぎ $u_\epsilon$ の摂動分解を行うことである：
$$u(t) = \psi(t) + \epsilon u_\epsilon(t),$$
ここで $\psi$ は決定論的KdV方程式を解く。このとき、揺らぎ $u_\epsilon$ は、$O(1)$ のノイズ項、$\psi$ によって決定される線形輸送項、および $O(\epsilon)$ の大きさの2次非線形項を持つ、確率的KdV型の式を満たす。

手法は以下の3つの段階で進行する：

1. 線形化： 揺らぎの方程式における $O(\epsilon)$ の2次非線形項を無視し、プロセス $\chi$ に対する線形化された確率的揺らぎ方程式を導出する。著者らは、スケーリングされた揺らぎ $u_\epsilon$ とその線形化 $\chi$ の間の誤差が、強的な意味で $O(\epsilon)$ であることを証明する。
2. 線形化方程式に対する低正則性インテグレータ： 線形化された方程式 (3.5) に対して、低正則性時間インテグレータを構築する。これには以下が含まれる：
   • 線形輸送項を扱うための「ねじれ変数（twisted variables）」 ($\tilde{\chi} = e^{t\partial_x^3}\chi$) の導入。
   • フーリエ空間における線形輸送から生じる積分項の正確な積分を行うための、フーリエ解析的手法の利用。
   • スキームがゼロ平均の部分空間内に留まることを保証するための、ゼロモード条件（仮定 4.1）の活用。
3. 誤差分解： 全強的誤差 $\|u(t_n) - u_n\|_{L^2(\Omega; L^2)}$ を以下の3つの成分に分解する：
   • $\psi$ の決定論的な時間近似誤差。
   • 小規模ノイズによる線形化誤差 ($\|u_\epsilon - \chi\|$)。
   • 線形化された確率的揺らぎの時間離散化誤差 ($\|\chi - \chi_n\|$)。

主要な貢献と結果
本論文は、確率的KdV方程式の時間近似に関する最初の明示的な強的収束率を確立している。主な理論的結果は以下の通りである：

• 線形化誤差： 適切な正則性仮定（$\xi \in H^2, Q^{1/2} \in L^1_2$）の下で、線形化された揺らぎ $\chi$ は、スケーリングされた確率的揺らぎ $u_\epsilon$ を強的な誤差のオーダー $O(\epsilon)$ で近似する（命題 3.3）。
• $H^1$-正則性下での収束： 線形化された確率的方程式に対し、提案された低正則性インテグレータは、$H^1$-正則性の厳密解の下で $O(\tau^{1/2})$ 次の強的収束率を達成する。したがって、元の確率的KdV近似に対する全誤差は以下のようになる：
  $$\sup_{0 \le n \le N} \|u(t_n) - u_n\|_{L^2(\Omega; L^2)} = O\left(\max\{\tau, \epsilon^2, \epsilon \tau^{1/2}\}\right).$$
• $H^2$-正則性下での収束： $H^2$-正則性の仮定（$\xi \in H^3, Q^{1/2} \in L^2_2$）の下では、線形化された方程式への収束率は1次に改善される。全誤差評価は以下のように改善される：
  $$\sup_{0 \le n \le N} \|u(t_n) - u_n\|_{L^2(\Omega; L^2)} = O\left(\max\{\tau, \epsilon^2\}\right).$$

これらの結果は、決定論的な近似誤差、小規模ノイズによる線形化誤差、および揺らぎの離散化誤差を組み合わせることに依存している。このアプローチの決定的な利点は、線形化された揺らぎの解析において、厳密解または数値解の指数モーメント推定を必要とせず、これにより確率的KdV解析における主要な障害を回避している点にある。

意義と主張
著者らは、これらが確率的KdV方程式の数値的時間近似に対して示された最初の明示的な強的収束率であると主張している。本研究は、小ノイズ領域において、低正則性（$H^1$）の解であっても正確な強的近似が得られることを示しており、これは同等の収束率を示すために通常より高い正則性を要求するCrank–Nicolsonのような古典的なスキームとは対照的である。

本論文は、フーリエ空間の低正則性手法をいかに効果的に確率的摂動論と組み合わせることができるかを示すことで、低正則性における確率的分散型方程式の数値解析に貢献している。セクション6における数値実験は、線形化された方程式および完全な確率的KdV方程式の両方について、理論的な収束率を裏付けており、誤差分解およびテストされた領域における提案スキーム（SLR）のCrank–Nicolano法に対する優位性を検証している。