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

技術要約：1次元デフォーカス型3次NLSの純粋$L^2$エンドポイントにおける固定プロファイル修正散乱の失敗

問題提起
本論文は、1次元デフォーカス型3次非線形シュレディンガー方程式（NLS）の解の漸近挙動を扱う：
$$i q_t + q_{xx} = 2|q|^2 q, \quad q(0) = q^* \in L^2(\mathbb{R}).$$
具体的には、重みなしの$L^2$エンドポイントにおける**固定プロファイル修正散達アンザッツ（fixed-profile modified-scattering ansatz）**の妥当性を調査している。標準的な予想では、任意の初期データ $q^* \in L^2(\mathbb{R})$ に対して、時間不変なプロファイル $V \in L^2(\mathbb{R})$ が存在し、解 $q(t)$ は次のように振る舞うとされる：
$$\|\mathcal{F}q(t) - e^{-i(\log t)|V|^2}V\|_{L^2_\xi} \to 0 \quad (t \to +\infty),$$
ここで $\mathcal{F}$ はユニタリ・フーリエ変換を表す。この修正散乱挙動は、より高い正則性や空間減衰を持つデータ（例：重み付き$L^2$空間、$H^1$、または$H^{1,1}$）については確立されているが、純粋な$L^2$エンドポイントにおける挙動、特に固定されたプロファイルの存在に関する問題は未解決のままである。

手法
著者は、逆散乱変換（IST）を用いたデフォーカス型NLSの可積分性を利用した、構成的な反例アプローチを採用している。その手法は、以下の主要な技術的ステップを通じて進行する：

1. スペクトル正規化と連続性： 本論文は、直接スペクトル写像からシュー関数（Schur functions）の空間への連続性を確立している。伝達係数 $a(\zeta)$ と反射係数 $r(\zeta)$ を定義するために、異なるスペクトル慣習（Bessonov–Denisov、Deift–Zhou、およびBessonov–Gubkin）を整合させている。重要な保存量として、量 $\rho_q(\xi) = \frac{1}{\pi} \log |a_q(-\xi/2 + i0)|$ が同定されており、これは時間に対して保存され、潜在的な散乱プロファイル $V$ のモジュラス（すなわち $|V|^2 = \rho_{q^*}$）を決定する。

2. 滑らかなデータの解析： 滑らかでコンパクトな台を持つデータに対し、Deift–Zhouの漸近展開を強い$L^2$収束の結果へと変換する。これにより、正則なデータに対しては、伝達密度の作用による一側対数演算子 $T$ によって位相が決定される補正されたプロファイル $V_q$ が存在することが確立される。

3. 遠方バンプ干渉メカニズム： 構成の核となるのは、ザハロフ・シャバト（Zakharov–Shabat）転送行列の正確な合成である。著者は、ポテンシャル $q$ に対し、空間的に遠く離れた小さな「バンプ」（滑らかでコンパクトな台を持つ摂動 $p(x-X)$）を加えることが、伝達係数に特定の干渉を引き起こすことを示している。

   • 合成則は、反射係数の中に $e^{iXz}$ という項を作り出す。
   • 散乱プロファイルの位相を支配する一側対数演算子 $T$ は、増幅器として作用する。$e^{iXz}$ という振動項に適用されると、$\log X$ のオーダーのシフトを生じさせる。
   • バンプの振幅 $\epsilon$ と位置 $X$ を $\epsilon \log X = \kappa$ （定数）となるように選択することで、摂動の $L^1$ および $L^2$ ノルムを任意に小さく保ったまま、漸近プロファイルに一様な位相シフトを挿入することができる。

4. 帰納的な「グライディング・ハンプ（滑走する隆起）」構成： 本論文は、互いに素な滑らかなバンプの無限和として、特定の初期データ $q^*$ を構成する。この構成は**適応的（オンライン）**である：

   • 各ステップ $n$ において、時刻 $t_n$ は部分和 $q_n$ がそのプロファイル $V_n$ に近いものとなるように選択される。
   • 次に、右方に遠く離れた位置 $X_{n+1}$ に新しいバンプが追加される。パラメータは、新しいデータと古いデータの間の $L^2$ 距離が、時刻 $t_n$ における連続性を維持するのに十分小さく、かつ漸近プロファイル $V_{n+1}$ に対して $V_n$ と比較して有意なジャンプを誘発するのに十分大きくなるように選択される。
   • このプロセスは、初期データが $L^2$ で収束しているにもかかわらず、漸近プロファイルの列 $(V_n)$ が $L^2$ においてコーシー列にならないような列を生成する。

主要な貢献と結果
主要な結果は定理 1.1であり、以下のように述べている：

• 実数値の初期データ $q^* \in L^1(\mathbb{R}) \cap \bigcap_{k \ge 0} H^k(\mathbb{R})$（滑らかかつ可積分であるが、$x q^* \notin L^2(\mathbb{R})$ であるもの、すなわち第1モーメントが欠如しているもの）が存在し、それに対していかなるプロファイル $V \in L^2(\mathbb{R})$ も固定プロファイル修正散乱条件を満たさない。
• この反例の $L^2$ ノルムは任意に規定できる。
• この構成は、部分的なデータが $L^1 \cap L^2$ で収束している一方で、結果としての漸近プロファイルが、対数演算子によって増幅された位相シフトの蓄積によって $L^2$ で収束しないという事実に依存している。

本論文は、問題が「単一の、時間不変なプロファイル」という要求に特有であることを証明している。失敗の原因は、無限における解を記述するために必要な位相情報が、空間的に遠く離れた摂動によって、極めて微細なスペクトルスケールへと押しやることが可能であるという点にあり、固定されたプロファイルではそれを捉えきれないことにある。

意義と主張
本論文は、純粋な$L^2$エンドポイントにおける固定プロファイル修正散乱の問題を、その失敗を示すことで解決したと主張している。

• 否定的な結果： 解が対数位相によって変調された固定プロファイル $V$ に収束するという古典的な修正散乱の図式は、一般的な $L^2$ データに対しては偽であることを確立した。
• 妨害の範囲： この妨害は「固定プロファイル」という性質に特有のものである。本論文は、**適応的（adaptive）またはスケール依存的（scale-dependent）**な正規化を用いることで、依然として有効な漸近記述が得られる可能性を明示的に残している。
• 方法論的洞察： 本研究は逆散界写像の $L^2$ エンドポイントにおける鋭敏さを浮き彫りにし、「グライディング・ハンプ」現象を用いることで、物理空間のノルムへのコストを無視しながら、伝達係数の対数の中に高周波振動を挿入できることを示した。

著者は、この反例が当初AIツールとの対話を通じて示唆されたものであると述べているが、厳密な証明と構成は本論文のオリジナルなものであるとしている。この結果は、分野の焦点を「固定プロファイルへの収束の証明」から、「一般的な重みなし $L^2$ 解に対する、より複雑で適切な漸近対象の特定」へとシフトさせるものである。