Inverse problems for the spectral fractional Laplacian with inhomogeneous Dirichlet boundary data

1. 연구 배경 및 문제 정의 (Problem Statement)

이 논문은 스펙트럼 분수 라플라시안 (Spectral Fractional Laplacian) 을 포함하는 슈뢰딩거 방정식의 역문제 (Inverse Problem) 를 다룹니다. 특히, 불균질 디리클레 경계 데이터 (Inhomogeneous Dirichlet boundary data) 가 주어졌을 때, 내부의 퍼텐셜 (potential) $q$를 경계에서의 측정 데이터로부터 복원하는 문제를 연구합니다.

• 주요 방정식:
  $$((-\Delta_D)^s - q) u = 0 \quad \text{in } \Omega, \quad u|_{\partial\Omega} = g$$
  여기서 $\Omega \subset \mathbb{R}^n$ ($n \ge 2$) 은 매끄러운 경계를 가진 유계 영역이며, $s \in (1/2, 1)$ 입니다. $(-\Delta_D)^s$ 는 스펙트럼 분수 라플라시안 연산자입니다.
• 목표:
  경계에서 측정된 디리클레 - 노이만 (DN) 맵 $\Lambda_q$ (또는 그 선형화) 를 통해 내부 퍼텐셜 $q$를 결정하는 것입니다.
• 전통적 접근과의 차이점:
  기존 분수 역문제 연구들은 주로 비국소성 (nonlocality) 을 이용한 외부 데이터 (exterior data) 에 집중했습니다. 반면, 이 논문은 불균질 경계 데이터를 가진 스펙트럼 분수 라플라시안에 초점을 맞추어, 고전적인 칼데론 (Calderón) 문제의 분수 버전으로 확장합니다.

2. 주요 기여 및 방법론 (Methodology & Contributions)

논문의 기여는 크게 두 가지로 나뉩니다.

A. DN 맵의 정의 및 선형화된 역문제 분석 (Theorem 1.1)

1. DN 맵 정의: 스펙트럼 분수 라플라시안에 대한 DN 맵 $\Lambda_q$를 엄밀하게 정의하고, 퍼텐셜 $q=0$ 근처에서의 프레셰 미분 (Fréchet derivative) 인 선형 연산자 $d\Lambda$를 도입했습니다. 이는 Born 근사 (Born approximation) 와 직접적으로 연결됩니다.
2. 단일성 (Injectivity) 증명: $d\Lambda$ 연산자의 단일성을 증명하여, 선형화된 데이터로부터 퍼텐셜 $q$가 유일하게 결정됨을 보였습니다.
3. 안정성 (Stability) 증명: $q^{(1)}$과 $q^{(2)}$ 사이의 차이를 DN 맵의 차이로 추정하는 로그형 안정성 (logarithmic stability) 결과를 도출했습니다.
   • 핵심 기법: Alessandrini 항등식을 유도하고, 복소 기하광학 해 (Complex Geometric Optics, CGO solutions) 를 구성하여 이를 활용했습니다. CGO 해는 $e^{\alpha \cdot x}$ 형태의 진동하는 해를 사용하여 퍼텐셜의 푸리에 변환을 복원하는 데 사용됩니다.

B. 추가 밀도 결과 및 게이지 불변성 분석 (Theorem 1.4)

1. 계수 복원 문제: 2 차 미분항, 1 차 미분항, 0 차 항을 포함하는 더 일반적인 형태의 연산자에 대한 계수 ($\theta_2, \theta_1, \theta_0$) 복원 문제를 다뤘습니다.
2. 게이지 불변성 (Gauge Invariance):
   • $n \ge 3$인 경우, 계수들이 특정 게이지 변환 (함수 $w$에 의해 결정됨) 하에서 동일하게 관측될 수 있음을 보였습니다. 즉, 데이터로부터 계수들을 완전히 결정할 수는 없으나, 자연스러운 게이지 클래스 (gauge class) 내에서 유일하게 결정됨을 증명했습니다.
   • $n = 2$인 경우, 추가적인 조건 ($\theta_0=0, \text{tr}(\theta_2)=0$) 하에서 계수들이 완전히 0 이 됨을 보였습니다.
3. 기법:
   • 운송 연산자 (Transport operator) $T_\eta$를 도입하여 특수한 해를 구성했습니다.
   • 정적 위상법 (Stationary phase method) 을 사용하여 점근적 분석을 수행하고, 계수들의 미분 관계를 유도했습니다.
   • 이는 기존 연구 [SS23] 의 결과를 분수 차수 $s$가 포함된 맥락으로 확장한 것입니다.

3. 주요 결과 (Key Results)

Theorem 1.1 (선형화된 역문제)

• 단일성: $q^{(1)}, q^{(2)} \in L^\infty(\Omega)$ 가 유계 조건을 만족할 때, 모든 경계 데이터 $g$에 대해 $d\Lambda[q^{(1)}] = d\Lambda[q^{(2)}]$이면 $q^{(1)} \equiv q^{(2)}$입니다.
• 안정성: 두 퍼텐셜의 차이는 DN 맵 차이에 대해 다음과 같이 제어됩니다.
  $$\|q^{(1)} - q^{(2)}\|_{H^{-1}} \le C w(\|d\Lambda[q^{(1)}] - d\Lambda[q^{(2)}]\|_*)$$
  여기서 $w(t) \sim |\log t|^{-1}$로, 역문제가 약하게 잘 제기 (ill-posed) 되었음을 나타냅니다 (로그형 안정성).

Theorem 1.4 (계수 복원 및 게이지)

• $n \ge 3$인 경우, 주어진 조건 하에서 계수들은 다음과 같은 게이지 변환으로 표현됩니다:
  $$\theta_2 = w I_n, \quad \theta_1 = 2\nabla w, \quad \theta_0 = \Delta w$$
  여기서 $w$는 경계에서 0 이고 그 법선 미분도 0 인 매끄러운 함수입니다.
• $n=2$인 경우, 특정 조건 하에서 $\theta_1 = 0$ 및 $\theta_2 = 0$이 됨을 보였습니다.

4. 기술적 세부 사항 및 도구

• 스펙트럼 분수 라플라시안: 고유값 $\lambda_k$와 고유함수 $\phi_k$를 사용하여 정의된 $(-\Delta_D)^s v = \sum \lambda_k^s \langle v, \phi_k \rangle \phi_k$.
• DN 맵의 선형화: $q$가 작을 때, 비선형 DN 맵 $\Lambda_q$는 선형 연산자 $d\Lambda$로 근사되며, 이는 Born 근사 $v[g]$를 통해 계산됩니다.
• CGO 해 (Complex Geometric Optics Solutions):
  • $u = e^{\frac{\phi + i\psi}{h}}(A + r)$ 형태의 해를 구성하여, $h \to 0$ 극한에서 퍼텐셜의 정보를 추출합니다.
  • 부록 A 에서 Carleman 가중치와 관련된 운송 방정식을 풀어 CGO 해의 존재성과 오차 항의 수렴성을 rigorously 증명했습니다.
• 적분 항등식 (Integral Identity):
  • $\int_\Omega (\theta_2 : \nabla^2 u + \theta_1 \cdot \nabla u + \theta_0 u)v dx = 0$ 형태의 항등식을 유도하여, 특수한 해 $u, v$를 대입함으로써 계수들의 관계를 규명했습니다.

5. 의의 및 결론 (Significance)

1. 이론적 확장: 기존의 외부 데이터를 사용하는 분수 역문제 연구에서, 불균질 경계 데이터를 사용하는 스펙트럼 분수 라플라시안 역문제 체계를 정립했습니다. 이는 고전적인 칼데론 문제의 자연스러운 분수 확장입니다.
2. 정밀한 안정성 분석: 선형화된 문제에서의 로그형 안정성 (logarithmic stability) 을 증명하여, 데이터의 오차가 퍼텐셜 복원 오차에 미치는 영향을 정량화했습니다.
3. 게이지 불변성의 명확화: 분수 차수와 무관하게 (혹은 특정 조건 하에) 계수 복원 문제에서 발생할 수 있는 게이지 자유도를 명확히 규명했습니다. 이는 $n=2$와 $n \ge 3$에서 결과가 다르게 나타나는 미묘한 차이를 보여줍니다.
4. 수학적 도구의 발전: 스펙트럼 분수 라플라시안에 대한 CGO 해 구성 및 운송 연산자 기법을 정교화하여, 향후 유사한 비국소 연산자 역문제 연구에 중요한 기초를 제공했습니다.

요약하자면, 이 논문은 스펙트럼 분수 라플라시안 역문제에 대한 선형화된 단일성, 로그형 안정성, 그리고 계수 복원에서의 게이지 불변성을 체계적으로 증명함으로써, 분수 역문제 이론의 중요한 지평을 넓혔습니다.