Large-data $L^2$-decay for attractive-dissipative nonlinear Schrödinger equations without the strong dissipative condition

技术摘要：吸引 - 耗散非线性薛定谔方程的大数据 $L^2$ 衰减

问题陈述
本文研究了具有吸引 - 耗散幂次非线性的非线性薛定谔方程（NLS）的大数据 $L^2$ 衰减问题：
$$i\partial_t u + \frac{1}{2}\Delta u = \lambda |u|^{p-1}u, \quad (t, x) \in (0, \infty) \times \mathbb{R}^d,$$
其中复系数 $\lambda$ 满足 $\text{Re } \lambda < 0$ 且 $\text{Im } \lambda < 0$。条件 $\text{Im } \lambda < 0$ 保证了 $L^2$ 耗散，而 $\text{Re } \lambda < 0$ 引入了吸引（聚焦）分量。

主要目标是为加权能量空间 $\Sigma = H^1(\mathbb{R}^d) \cap \mathcal{F}H^1(\mathbb{R}^d)$ 中的任意初始数据 $u_0$，建立 $L^2$ 范数 $\|u(t)\|_2$ 的精确衰减率。该衰减问题的自然范围是 $1 < p \leq 1 + 2/d$。

背景与难点
Hayashi、Li 和 Naumkin [11] 之前的工作已在“强耗散条件”$(p-1)|\lambda| \leq (p+1)|\text{Im } \lambda|$ 下建立了精确衰减率 (1.2)。当 $\text{Re } \lambda \geq 0$（排斥 - 耗散）时，标准能量 $E(u) = \frac{1}{2}\|\nabla u\|_2^2 + \frac{\text{Re } \lambda}{p+1}\|u\|_{p+1}^{p+1}$ 具有定号性，从而提供了梯度 $\|\nabla u(t)\|_2$ 的一致有界性，并允许推导衰减率 [9]。

然而，在吸引 - 耗散情形（$\text{Re } \lambda < 0$）下，标准能量不具有定号性。因此，它无法直接控制梯度范数 $\|\nabla u(t)\|_2$。近期克服这一困难的尝试 [8, 18] 依赖于迭代论证，即先将初步的 $L^2$ 衰减估计代入能量估计中以改进梯度界。这些方法仅限于 $p$ 的受限范围，具体为 $p \leq 1 + \frac{4}{3d}$。范围 $1 + \frac{4}{3d} < p \leq 1 + \frac{2}{d}$ 对于任意数据而言仍然是一个未解决的问题。

方法论
作者引入了一种新颖的方法，绕过了以往文献中使用的迭代论证。该方法的核心在于构造一个增强能量：
$$E_{\text{aug}}(u) = E(u) + \gamma \|u\|_2^2,$$
其中 $\gamma > 0$ 是一个依赖于初始数据大小的适当常数。

1. 增强能量论证：添加项 $\gamma \|u\|_2^2$ 的时间导数产生了一个负贡献 $-2\gamma |\text{Im } \lambda| \|u\|_{p+1}^{p+1}$。该项足够强，能够吸收由 $\text{Re } \lambda < 0$ 引起的标准能量估计中的非强制性部分。
2. 直接一致界：通过适当选择 $\gamma$（利用大数据的缩放论证），作者证明了 $E_{\text{aug}}(u(t))$ 是非增的。这为 $\|\nabla u(t)\|_2$ 提供了一个直接的、关于时间一致的界，而无需中间衰减估计或自举迭代。
3. 衰减推导：在建立了一致梯度界后，证明通过标准工具进行：
   • 一个将加权范数 $\|xu(t)\|_2$ 与 $\|\nabla u(t)\|_2$ 的时间积分联系起来的 virial 型估计。
   • 一个将 $\|u\|_q$ 与 $\|u\|_2$ 和 $\|xu\|_2$ 联系起来的加权插值不等式（引理 2.4）。
   • 将这些与 $L^2$ 耗散恒等式结合，推导出关于 $\|u(t)\|_2$ 的微分不等式。

主要结果
本文建立了以下主要定理（定理 1.1）：

对于任意初始数据 $u_0 \in \Sigma$ 且 $\|u_0\|_\Sigma \neq 0$，NLS 存在唯一的整体解 $u \in C([0, \infty); \Sigma)$。该解在整个范围 $1 < p \leq 1 + 2/d$ 内满足精确衰减率：

• 临界情形（$p = 1 + 2/d$）：
  $$\|u(t)\|_2 \lesssim (\log(1+t))^{-\frac{2}{(d+2)(p-1)}}$$
• 次临界情形（$1 < p < 1 + 2/d$）：
  $$\|u(t)\|_2 \lesssim (1+t)^{-\frac{2}{(d+2)(p-1)}\left(1 - \frac{d(p-1)}{2}\right)}$$

这些估计适用于吸引 - 耗散情形（$\text{Re } \lambda < 0, \text{Im } \lambda < 0$），且无需施加强耗散条件 (1.1)。

意义与主张
作者声称，这项工作消除了先前限制吸引 - 耗散机制下大数据衰减理解的剩余限制 $p \leq 1 + \frac{4}{3d}$。

• 消除迭代：主要的技术贡献是消除了先前工作 [8, 18] 中所需的迭代论证。通过利用质量耗散本身，借助增强能量恢复强制性能量控制，作者获得了一致的直接梯度界。
• 普遍性：该结果适用于 $\Sigma$ 中的任意数据，这与通常要求初始数据具有额外光滑性、空间衰减性或结构条件的其他相关工作形成对比。
• 范围：该方法足够稳健，同样适用于排斥 - 耗散情形（$\text{Re } \lambda \geq 0$），在不施加强耗散条件的情况下恢复相同的衰减率，尽管在该情形下标准能量已足以提供梯度界。

总之，本文通过引入一个直接控制梯度范数的增强能量泛函，解决了吸引 - 耗散 NLS 在完整精确范围 $1 < p \leq 1 + 2/d$ 内的大数据 $L^2$ 衰减这一未解决问题。