A note on several inverse problems with generally random coefficients

기술적 요약: 일반적으로 확률적 계수를 갖는 여러 역문제에 대한 주석

문제 제기
본 논문은 확률적 계수를 갖는 타원형 방정식의 역문제를 조사하며, 특히 유계 영역 $\Omega \subset \mathbb{R}^n$ 위의 슈뢰딩거 방정식 $(-\Delta + q)u = 0$에 초점을 맞춥니다. 핵심 질문은 경계 또는 내부 데이터의 다양한 통계적 요약으로부터 확률적 퍼텐셜 $q(\omega, x)$에 관한 어떤 정보를 복원할 수 있는가입니다. 여기서의 무작위성은 "일반적으로 확률적"이라고 가정되는데, 이는 가우시안성, 섭동적 소소성, 미국소적 등방성, 또는 포함물에 대한 지지와 같은 특별한 확률론적 구조가 부과되지 않음을 의미합니다.

본 연구는 퍼텐셜의 법칙을 네 가지 구별되는 유형의 데이터로부터 복원할 수 있는지를 비교합니다:

1. 디리클레-노이만 (DN) 맵의 전체 확률 법칙, $\text{Law}(\Lambda_q)$.
2. DN 맵의 기댓값, $\mathbb{E}\Lambda_q$.
3. 경계 이차 형식 $\langle \Lambda_q f, g \rangle$의 유한 개 결합 모멘트.
4. 평균화된 내부 그린 연산자, $\mathbb{E}G_q$. 여기서 $G_q = (-\Delta_D + q)^{-1}$입니다.

방법론
본 논문은 명시적인 방사형 구성, 의사미분연산자에 대한 기호적 미적분, 그리고 측도론적 논증의 조합을 활용합니다.

• 방사형 반례: 경계 데이터의 한계를 입증하기 위해, 저자는 $\mathbb{R}^3$의 단위 공 내에서 명시적으로 매끄럽고 음이 아닌 방사형 퍼텐셜을 구성합니다. 구면 조화 함수 기저에서 DN 맵의 고유값을 분석함으로써, 본 논문은 이러한 고유값이 매개변수 $N$의 제곱에 대한 아핀 의존성을 가진다고 식별합니다 (여기서 퍼텐셜은 $Q_N$을 통해 정의됨). 이를 통해 $\Lambda_q = \frac{1}{2}\Lambda_{q_1} + \frac{1}{2}\Lambda_{q_2}$가 되도록 하는 서로 다른 퍼텐셜 $q_1, q_2$와 결정론적 퍼텐셜 $q$를 구성할 수 있습니다.
• 모멘트 위계: 판데르몽드 행렬의 성질을 이용하여, 본 논문은 고정된 차수 $M$까지의 DN 맵의 결합 모멘트가 일치하지만 평균 퍼텐셜은 서로 다른 유한 개 값을 갖는 확률적 퍼텐셜을 구성합니다.
• 기호적 분석: 내부 데이터에 대해, 본 논문은 그린 연산자의 전체 내부 기호를 활용합니다. resolvent $(-\Delta + q)^{-1}$의 파라메트릭 전개식을 평균화함으로써, 저자는 퍼텐셜과 그 도함수의 점별 모멘트에 대응하는 기호 전개식의 항들을 분리해 냅니다.
• 결정론적 유일성 승격: 본 논문은 루신 - 소슬린 정리를 적용하여, 만약 결정론적 역문제가 보렐 클래스에서 단사라면, DN 맵 항들 (조밀한 경계 함수 열에 대한) 의 결합 법칙이 확률적 계수의 법칙을 유일하게 결정함을 보입니다.

주요 기여 및 결과

1. 평균화된 경계 맵에 대한 장애물:
   주요 부정적 결과는 기대 디리클레 - 노이만 맵 $\mathbb{E}\Lambda_q$가 평균 퍼텐셜 $\mathbb{E}q$를 결정하지 못한다는 것입니다. 본 논문은 두 값을 갖는 확률적 퍼텐셜 $Q$와 결정론적 퍼텐셜 $q^*$를 구성하여 $\mathbb{E}\Lambda_Q = \Lambda_{q^*}$이지만 $q^* \neq \mathbb{E}Q$임을 보입니다. 이 장애물은 임의의 유한 결합 모멘트 위계로 확장됩니다; $\langle \Lambda_q f, g \rangle$의 $M$차까지 모든 모멘트를 아는 것은 $\mathbb{E}q$를 결정하기에 불충분합니다. 이는 평균화와 유한 모멘트 절단이 결정론적 유일성의 실패가 아닌 정보 손실을 초래함을 시사합니다.

2. 전체 법칙으로부터의 복원:
   모멘트 기반 결과와 대조적으로, 본 논문은 DN 맵의 전체 결합 법칙 (구체적으로 가산 개 행렬 항 $\langle \Lambda_q f_i, f_j \rangle$의 결합 법칙) 이 알려져 있다면, 기초가 되는 결정론적 역문제가 단사일 때 확률적 퍼텐셜의 법칙이 유일하게 결정됨을 확립합니다. 이 결과는 소음에 대한 특정 통계적 구조를 요구하지 않고 고전적 결정론적 유일성 정리 (예: $n \ge 3$인 경우 실베스터 - 울만 정리) 를 직접 확률론적 설정으로 승격시킵니다.

3. 평균화된 그린 연산자로부터의 복원:
   본 논문은 평균화된 내부 그린 연산자 $\mathbb{E}G_q$가 평균화된 경계 맵보다 훨씬 더 많은 국소 정보를 포함함을 보여줍니다.

   • 점별 모멘트: $\mathbb{E}G_q$의 전체 내부 기호는 퍼텐셜의 점별 평균 $\mathbb{E}q$와 분산 $\text{Var}(q)$를 결정합니다.
   • 이원자 강성: 두 값을 갖는 확률적 퍼텐셜의 경우, 평균화된 그린 연산자는 두 점 법칙의 모든 점별 모멘트를 결정합니다. 이는 경계 맵과 달리 퍼텐셜에서 평균화된 그린 연산자로의 맵이 이원자 분포에 대해 단사임을 의미합니다.
   • 유한 차원 모델: 확률적 퍼텐셜이 알려진 프로파일 $V_j$와 컴팩트하게 지지된 확률 벡터 $X$를 갖는 $q(x) = q_0(x) + \sum X_j V_j(x)$ 형태일 때, 프로파일의 비퇴화 조건 하에서 평균화된 그린 연산자는 $X$의 모든 혼합 모멘트, 그리고 따라서 $X$의 전체 법칙을 결정합니다.

4. 전도도 유사체:
   부록은 이러한 발견을 전도도 방정식 $\nabla \cdot (\gamma \nabla u) = 0$으로 확장합니다. 기대 노이만 - 디리클레 맵에 대한 유사한 반례가 존재합니다. 그러나 평균화된 전도도 그린 연산자의 경우, 주 기호는 $\mathbb{E}(\gamma^{-1})$를 결정하고 다음 차수는 $\gamma^{-1}$의 로그 기울기를 포함하는 가중 공분산 행렬을 결정합니다.

의의 및 주장
본 논문은 일반적인 무작위성이 존재할 때 경계 및 내부 역문제 간의 근본적인 차이를 명확히 한다고 주장합니다.

• 경계 vs 내부: 결과는 날카로운 구별을 강조합니다; 경계 데이터 (완전한 통계적 지식을 갖더라도) 는 평균화되거나 절단될 때 비유일성에 시달리는 반면, 내부 소스 - 솔루션 데이터 (그린 연산자) 는 평균과 분산의 복원, 그리고 특정 경우 전체 법칙의 복원을 가능하게 하는 국소 모멘트 정보를 유지합니다.
• 범위 특성화: DN 맵에 대한 반례는 단순히 확률론적 장애물이 아니라 비선형 맵 $q \mapsto \Lambda_q$의 범위에 관한 기하학적 진술로 해석됩니다. 구체적으로, 범위는 퍼텐셜의 아핀 결합에 해당하지 않는 결정론적 맵들의 비자명한 아핀 결합을 포함합니다.
• 기존 문헌과의 대조: 본 작업은 일반적으로 가우시안 미국소적 등방성 필드를 가정하고 공분산 연산자의 주 기호를 복원하는 역산란 문헌 (예: 라사스, 파이바린타, 사크스만; 카로, 헬린, 라사스) 과 구별됩니다. 본 논문은 이러한 특정 구조를 가정하지 않고 점별 평균과 전체 법칙의 복원을 다루며, 경계 모멘트로부터는 그러한 복원이 불가능하지만 내부 평균으로부터는 가능함을 보여줍니다.

본 논문은 결정론적 유일성이 주어지면 경계 맵의 전체 법칙이 이론적으로 복원에 충분하지만, 실용적이거나 부분적인 통계 데이터 (기댓값, 유한 모멘트) 는 경계 문제에는 불충분하지만 위에서 기술된 조건 하에서 내부 문제에는 충분하다는 결론을 내립니다.