Strong error analysis of a temporal approximation for stochastic Korteweg-de Vries equation with small additive noise

技术摘要：具有小加性噪声的随机 Korteweg–de Vries 方程时间近似的强误差分析

问题陈述
本文研究了由振幅为 $O(\epsilon)$ 的小加性 $Q$-维纳噪声驱动的周期性随机 Korteweg–de Vries (KdV) 方程的强时间近似，其中 $0 < \epsilon \ll 1$。该方程为：
$$\dot{u} + \partial_x^3 u - \mu \partial_x(u^2) = \epsilon Q^{1/2} \dot{W}, \quad t \in [0,T], \ x \in \mathbb{T} = [-\pi, \pi].$$
该方程的数值分析面临两个主要挑战：

1. 非线性和导数： 非线性项 $\partial_x(u^2)$ 包含一个额外的导数，这通常迫使标准的时离散方法在 $H^s$ 中证明一阶收敛时需要解具有较高的正则性（$H^{s+3}$）。
2. 缺乏指数矩估计： 与许多具有超线性非线性的随机偏微分方程不同，完整的非线性随机 KdV 动力学目前尚不清楚是否满足用于强收敛分析的常用指数积分性估计。这使得直接对确定性低正则性积分器进行随机扩展变得非常困难。

现有的关于随机色散偏微分方程的文献主要集中在随机薛定谔方程和波动方程上，而对于随机 KdV 方程的强收敛估计则基本处于空白。

方法论
作者提出了一种针对小噪声机制 ($\epsilon \ll 1$) 定制的创新方法。其核心策略是将解 $u$ 分解为确定性分量 $\psi$ 和缩放后的随机涨落 $u_\epsilon$：
$$u(t) = \psi(t) + \epsilon u_\epsilon(t),$$
其中 $\psi$ 解确定性 KdV 方程，而涨落 $u_\epsilon$ 满足一个带有 $O(1)$ 噪声项的随机 KdV 型方程，该方程包含一个由 $\psi$ 决定的线性平流项以及一个 $O(\epsilon)$ 规模的二次非线性项。

该方法分三个阶段进行：

1. 线性化： 忽略涨落方程中 $O(\epsilon)$ 的二次非线性项，从而导出过程 $\chi$ 的线性化随机涨落方程。作者证明了缩放后的涨落 $u_\epsilon$ 与其线性化过程 $\chi$ 之间的误差在强意义下为 $O(\epsilon)$。
2. 线性化方程的低正则性积分器： 为线性化方程构建了一个低正则性时间积分器。这包括：
   • 引入“扭曲变量” ($\tilde{\chi} = e^{t\partial_x^3}\chi$) 以处理线性平流项。
   • 利用傅里叶分析技术在傅里叶空间中对由线性平流产生的积分项进行精确积分。
   • 利用零模条件（假设 4.1）以确保方案保持在零均值子空间内。
3. 误差分解： 将总强误差 $\|u(t_n) - u_n\|_{L^2(\Omega; L^2)}$ 分解为三个部分：
   • $\psi$ 的确定性时间近似误差。
   • 小噪声线性化误差 ($\|u_\epsilon - \chi\|$)。
   • 线性化随机涨落的时间离散误差 ($\|\chi - \chi_n\|$)。

主要贡献与结果
本文确立了随机 KdV 方程时间近似的第一个显式强收敛率。主要的理论结果如下：

• 线性化误差： 在适当的正则性假设下 ($\xi \in H^2, Q^{1/2} \in L^1_2$)，线性化涨落 $\chi$ 以 $O(\epsilon)$ 的强误差逼近缩放后的随机涨落 $u_\epsilon$ (命题 3.3)。
• $H^1$-正则性下的收敛性： 对于线性化随机方程，所提出的低正则性积分器在精确解具有 $H^1$ 正则性时实现了 $O(\tau^{1/2})$ 的强收敛率。因此，原始随机 KdV 近似的总误差为：
  $$\sup_{0 \le n \le N} \|u(t_n) - u_n\|_{L^2(\Omega; L^2)} = O\left(\max\{\tau, \epsilon^2, \epsilon \tau^{1/2}\}\right).$$
• $H^2$-正则性下的收敛性： 在 $H^2$ 正则性假设下 ($\xi \in H^3, Q^{1/2} \in L^2_2$)，线性化方程的收敛率提高到 1 阶。总误差估计改进为：
  $$\sup_{0 \le n \le N} \|u(t_n) - u_n\|_{L^2(\Omega; L^2)} = O\left(\max\{\tau, \epsilon^2\}\right).$$

这些结果依赖于结合确定性近似误差、小噪声线性化误差以及涨落离散误差。该方法的一个关键优势在于，对线性化涨落的分析不需要精确解或数值解的指数矩估计，从而绕过了随机 KdV 分析中的一个主要障碍。

意义与主张
作者声称，这些是针对随机 KdV 方程数值时间近似所给出的首个显式强收敛率。这项工作表明，在小噪声机制下，即使对于低正则性（$H^1$）的解，也可以获得精确的强近似，这与典型的 Crank–Nicolson 等经典方案形成了对比，因为后者通常需要更高的正则性才能表现出类似的收敛性。

本文通过展示如何有效地将傅里叶空间低正则性技术与随机摄动论相结合，为低正则性下的随机色散方程数值分析做出了贡献。第 6 节中的数值实验证实了线性化方程和完整随机 KdV 方程的理论收敛率，验证了误差分解以及所提方案 (SLR) 在测试机制下优于标准 Crank–Nicolson 方法。