Scalar-Tracking SAV Schemes with Pullback Corrections for Gradient Flows

技术摘要：具有拉回修正（Pullback Corrections）的标量追踪 SAV 方案用于梯度流

问题陈述
由 $\partial_t \phi = G \frac{\delta E}{\delta \phi}$ 控制的梯度流是相场动力学、材料科学和优化领域中弥散演化的基本模型。其数值分析中的一个核心挑战在于，如何构建既能保持离散能量耗散律（无条件能量稳定性），又能保持高轨迹精度和计算效率的时间离散方法。标量辅助变量（SAV）方法已成为一种流行的框架，它通过将非线性梯度流转化为线性隐式格式，从而使一个修正后的能量发生耗散。然而，标准的 SAV 方法通常将所有的非线性力信息压缩到单个标量辅助变量中，导致状态方程产生一个秩为 1 的修正项。虽然多标量 SAV（MSAV）方法通过引入多个辅助变量来追踪能量分量从而提高了精度，但这也增加了辅助系统的维度。作者识别出了现有方法中存在的一个耦合限制：标量追踪器的数量与应用于状态方程的修正项的秩通常是相互关联的。本文探讨了是否可以在仅使用单个标量辅助变量的情况下，保留组件化修正（如 MSAV 中所示）所提供的改进度量信息。

方法论
作者引入了**拉回修正 SAV（PB-SAV）**系列。其核心创新在于将标量能量追踪机制与应用于状态方程的修正项的秩进行解耦。

1. 单标量追踪器： PB-SAV 保留了标准 SAV 的形式，即使用单个标量变量 $q(t)$ 来追踪总非线性能量 $E_1[\phi] + C$。这确保了修正后的能量律和标量簿记过程与标准 SAV 完全一致。
2. 拉回修正： 与标准 SAV 使用总非线性力的秩-1 修正不同，PB-SAV 采用由非线性能量的可容许分解诱导的高秩修正，$E_1[\phi] + C = \sum_{\alpha=1}^r (E_{1,\alpha}[\phi] + C_\alpha)$。
3. 数学公式化：
   • 令 $R(\phi) = (Q_1(\phi), \dots, Q_r(\phi))$，其中 $Q_\alpha = \sqrt{E_{1,\alpha} + C_\alpha}$。总能量追踪器为 $Q(\phi) = \|R(\phi)\|_2$。
   • 标准 SAV 应用修正 $B_1^n = 2 DQ(\phi^n)^T DQ(\phi^n)$，其秩为 1。
   • PB-SAV 应用修正 $B_r^n = 2 DR(\phi^n)^T DR(\phi^n)$，即对应于每个分量的秩-1 项之和。这可以理解为在坍缩为标量范数之前，将分量空间的欧几里得度量拉回到状态空间。
4. 求解器实现： 生成的状态方程涉及标准半隐式算子的低秩扰动。作者利用 Sherman–Morrison–Woodbury 公式高效地求解该系统，每步时间步内仅需进行 $r+1$ 次基础线性求解器的调用，且与时间步长 $\Delta t$ 无关。
5. 步相关分解： PB-SAV 的一个关键特征是，用于修正的分量分解可以在每一步发生变化而不违反稳定性，因为标量变量仅追踪总能量。

主要贡献

• 构造与稳定性： 作者构造了阶一阶 PB-SAV 方案，并证明其满足与标准 SAV 完全相同的修正能量耗散律。即使分量分解随步骤变化，该结论依然成立。
• 理论比较： 他们确立了 PB-SAV 修正矩阵 $B_r^n$ 在正定序下支配标准 SAV 修正 $B_1^n$（即 $B_r^n \succeq B_1^n$）。两者的差异被明确表征为归一化分量方向导数的加权方差。这提供了一个单调性结果：细化分量划分（增加秩）会严格改善或维持修正质量。
• 优化解释： 在有限维情况下，PB-SAV 修正被识别为非线性能量最小二乘表示的 Gauss–Newton 矩阵。这阐明了为什么该方法可以通过更好地近似局部 Hessian 结构来提高轨迹精度，而无需引入多个辅助变量。
• 松弛策略： 为了解决辅助变量 $q_n$ 可能偏离其定义值 $Q(\phi_n)$（这在优化语境中可能导致停滞）的问题，作者提出了一种能量可容许的松弛策略，该策略在保持一致性的同时保留了耗散律。

结果
在有限维梯度流、Allen–Cahn 动力学和非局部 Cahn–Hilliard 模型上的数值实验展示了两种截然不同的性能表现：

1. 误差常数降低： 在平滑机制下（例如 Allen–Cahn 的平滑初始条件），PB-SAV 表现出与 SAV 和 MSAV 相同的阶一阶时间收敛率。在这些情况下，主要收益是误差常数的降低，尽管其轨迹精度与标准 SAV 相当。
2. 显著的轨迹改进： 在非线性能量具有不同尺度或空间位置的明显分量的题目中（例如具有分组曲率的有限维问题，或具有特定谱内容的非局部模型），高秩修正显著提高了精度。
   • 在具有两种曲率类别的凸二次型测试中，秩-2 PB-SAV 比 SAV 将目标函数差距降低了五倍。
   • 在正则化最小二乘问题中，秩-2 修正恢复了达到机器精度的 Hessian 矩阵，其收敛速度比松弛 SAV 快了几个数量级。
   • 对于非局部 Cahn–Hilliard 模型，将修正秩从 1 增加到 4 使最终 $L^2$ 误差降低了约 7.3 倍，并在捕捉到活跃谱内容时趋于饱和。
   • 实验展示了一种自适应秩策略，即根据活跃能量分量动态压缩秩，实现了与固定高秩方案相当的精度，而平均秩仅约为 2。

意义
论文声称 PB-SAV 成功地将“标量能量追踪器的数量”与“修正项的秩”进行了分离。这使得从业者能够引入负责提升 MSAV 行为的分量化度量信息，同时保留 SAV 的实际优势：单个标量辅助变量、简单的标量修正能量律，以及对不随时间变化的线性求解器的低秩扰动。该方法提供了一个灵活的框架，可以在不引入多个辅助变量开销的情况下，根据问题的几何特性调节或适配修正秩，在保持无条件能量稳定性的同时，在特定机制下提供实质性的精度增益。