Quantitative homogenization of convex Hamilton-Jacobi equations in the Wasserstein space

Resumo Técnico: Homogeneização Quantitativa de Equações de Hamilton–Jacobi Convexas no Espaço de Wasserstein

Enunciado do Problema
Este artigo investiga o comportamento assintótico e as taxas de convergência quantitativa de equações de Hamilton–Jacobi (HJ) de primeira ordem formuladas no espaço de Wasserstein de medidas de probabilidade de Borel com momentos de segunda ordem finitos, denotado por $P_2(\mathbb{R}^d)$. A equação principal estudada é:
$$\begin{cases} -\partial_t U^\varepsilon + \int_{\mathbb{R}^d} H\left(\frac{x}{\varepsilon}, x, D_m U^\varepsilon(t, m, x), m\right) m(dx) = 0, & (t, m) \in [0, T) \times P_2(\mathbb{R}^d), \\ U^\varepsilon(T, m) = G(m), & m \in P_2(\mathbb{R}^d), \end{cases}$$
onde $H$ é um Hamiltoniano convexo que exibe oscilações espaciais rápidas na escala $\varepsilon > 0$ através da variável rápida $x/\varepsilon$. A solução $U^\varepsilon$ representa a função valor de um problema de controle de campo médio onde uma grande população de agentes interagentes minimiza um funcional de custo comum em um ambiente heterogêneo.

Os autores abordam dois cenários distintos baseados na dependência do Hamiltoniano $H(y, x, p, m)$:

1. Configuração não-multiescala (Suposição A1'): $H$ depende apenas da variável rápida $y = x/\varepsilon$ e do momento $p$, sendo independente da variável macroscópica $x$ e da medida $m$.
2. Configuração multiescala (Suposição A1): $H$ depende da variável rápida $y$, da variável macroscópica $x$, do momento $p$ e da medida $m$.

O objetivo é provar que, conforme $\varepsilon \to 0$, $U^\varepsilon$ converge uniformemente para um limite $U$ que satisfaz uma equação HJ efetiva com um Hamiltoniano homogeneizado $\bar{H}$, e estabelecer taxas quantitativas nítidas para essa convergência.

Metodologia
Os autores empregam uma combinação de teoria de controle ótimo, técnicas de soluções viscosas e métodos probabilísticos adaptados ao espaço de Wasserstein de dimensão infinita.

1. Representação de Controle e Equivalência de Conjuntos de Controle:
   Um obstáculo técnico central é a falta de compacidade local em $P_2(\mathbb{R}^d)$, o que complica os argumentos padrão de duplicação de variáveis usados em dimensões finitas. Para contornar isso, os autores primeiro estabelecem que a função valor $U^\varepsilon$ permanece invariante sob diferentes classes de controles admissíveis. Eles estendem o conjunto padrão de controles progressivamente mensuráveis $\mathcal{A}$ para conjuntos maiores $\mathcal{A}_1$ (mensuráveis em relação ao tempo e à filtragem) e $\mathcal{A}_2$ (mensuráveis em relação a uma variável aleatória gaussiana independente). Isso permite-lhes reformular o problema de controle estocástico em um problema de transporte ótimo determinístico envolvendo caminhos aleatórios $\gamma$ conectando variáveis aleatórias iniciais e terminais $X$ e $Y$.

2. Redução para Funções de Custo:
   Ao explorar a equivalência dos conjuntos de controle, os autores reescrevem a função valor $U^\varepsilon$ em termos de uma função de custo corrente $h^\varepsilon$, que representa a ação mínima necessária para transportar uma partícula de $x$ para $y$ ao longo de um intervalo de tempo com o Lagrangiano oscilatório $L$. Especificamente, eles mostram que:
   $$U^\varepsilon(t, m) = \inf_{\nu \in P_2} \left( \inf_{(X,Y) \in E_{m,\nu}} \mathbb{E}[h^\varepsilon(t, T, X, Y)] + G(\nu) \right).$$
   Essa redução permite a aplicação de técnicas desenvolvidas para homogeneização em dimensão finita (especificamente aquelas de Tran e Yu) ao cenário de dimensão infinita.

3. Subaditividade e Superaditividade:
   Para o caso não-multiescala, a taxa de convergência é derivada das propriedades de subaditividade e superaditividade da função de custo $h^\varepsilon$. Essas propriedades, herdadas dos resultados de dimensão finita, garantem a existência de um custo médio $h$ e fornecem o limite de erro $O(\varepsilon)$.

4. Particionamento Temporal para Dependência Multiescala:
   No caso geral multiescala (onde $H$ depende de $x$ e $m$), os autores não podem aplicar diretamente o argumento $O(\varepsilon)$ devido às variáveis lentas. Em vez disso, eles particionam o intervalo de tempo $[t, T]$ em $N$ subintervalos. Em cada subintervalo, eles "congelam" as variáveis lentas ($x$ e $m$) em seus valores iniciais, reduzindo o problema localmente ao caso não-multiescala. Eles então otimizam o número de partições $N$ para equilibrar o erro de homogeneização ($O(\varepsilon)$) e o erro de congelamento ($O(1/N)$), resultando em uma taxa de $O(\sqrt{\varepsilon})$.

5. Identificação do Limite:
   Uma vez estabelecida a convergência uniforme, os autores utilizam um método de função de teste perturbada (duplicação de variáveis) no espaço de Hilbert elevado $L^2(\Omega; \mathbb{R}^d)$ para verificar que o limite $U$ é a solução $L$-viscosa única da equação efetiva. A unicidade das soluções viscosas no espaço de Wasserstein (estabelecida em literatura prévia) garante a identificação do limite.

Principais Contribuições e Resultados

• Taxa Ótima no Cenário Não-Multiescala (Teorema 1.1): Sob a Suposição (A1'), os autores provam que $U^\varepsilon$ converge uniformemente para a solução $U$ da equação efetiva com taxa $O(\varepsilon)$. Isso coincide com a taxa ótima conhecida para equações HJ convexas em dimensão finita que dependem apenas da variável rápida e do momento.
• Taxa Quantitativa no Cenário Multiescala (Teorema 1.2): No caso geral da Suposição (A1), onde o Hamiltoniano depende de variáveis macroscópicas e da medida, os autores estabelecem uma taxa de convergência de $O(\sqrt{\varepsilon})$. Isso estende os resultados de homogeneização multiescala das dimensões finitas para o espaço de Wasserstein.
• Transporte Ótimo Dinâmico (Teorema 1.3): Os resultados são estendidos para problemas de transporte ótimo dinâmico onde a condição terminal impõe uma restrição sobre a distribuição final (ou seja, $G(m) = +\infty$ se $m \neq \nu$). Os autores derivam taxas de convergência para o custo de transporte $U^\varepsilon_{ot}$, mostrando $O(\varepsilon)$ no caso simplificado e $O(\sqrt{\varepsilon})$ no caso geral, com dependência explícita da distância de Wasserstein entre as medidas inicial e alvo.
• Corolário sobre Controles Restritos (Corolário 1.5): O artigo demonstra que, para medidas iniciais não-atômicas, a função valor permanece inalterada mesmo se o conjunto de controle for restrito a controles mensuráveis em relação à $\sigma$-álgebra do estado inicial. Isso recupera a taxa ótima $O(\varepsilon)$ da equação HJ clássica como um caso especial (quando a medida inicial é uma massa de Dirac).

Significância e Alegações
Os autores afirmam que este trabalho fornece os primeiros resultados de convergência quantitativa para equações de Hamilton–Jacobi no espaço de Wasserstein. Embora a homogeneização qualitativa (convergência sem taxas) para equações HJ de dimensão infinita e transporte ótimo dinâmico tenha sido estudada anteriormente (por exemplo, por Gangbo e Tudorascu), este artigo estabelece taxas nítidas.

Especificamente, o artigo afirma que:

1. Ele estende a taxa de convergência ótima $O(\varepsilon)$ para equações HJ convexas das dimensões finitas para o espaço de Wasserstein de dimensão infinita no cenário não-multiescala.
2. Fornece a primeira análise quantitativa para o cenário multiescala no espaço de Wasserstein, produzindo uma taxa de $O(\sqrt{\varepsilon})$.
3. A metodologia contorna com sucesso a falta de compacidade local em $P_2(\mathbb{R}^d)$ utilizando a randomização de controle e formulações equivalentes, uma técnica que os autores observam não poder ser aplicada diretamente a problemas envolvendo ruído idiossincrático ou comum.

O artigo conclui observando que esses resultados preenchem a lacuna entre a teoria de homogeneização de dimensão finita e problemas de controle de campo médio/transporte ótimo em ambientes heterogêneos, fornecendo uma base rigorosa para a dinâmica efetiva de sistemas interagentes de grande escala.