Interior Hessian estimates for the quadratic Hessian equation

技术摘要：二次 Hessian 方程的内部 Hessian 估计

问题陈述
本文研究了维数为 $n \ge 2$ 的二次 Hessian 方程的粘性解的内部正则性：
$$\sigma_2(D^2u) = \sum_{1 \le i < j \le n} \lambda_i \lambda_j = 1$$
其中 $\lambda_1, \dots, \lambda_n$ 是 Hessian 矩阵 $D^2u$ 的特征值。本研究聚焦于位于“正分支”上的解，该分支由容许条件 $\lambda(D^2u) \in \Gamma_2$ 定义，其中 $\Gamma_2 = \{ \lambda \in \mathbb{R}^n : \sigma_1(\lambda) > 0, \sigma_2(\lambda) > 0 \}$。

在历史上，二次 Hessian 方程的内部 Hessian 估计是在限制性条件下建立的：

• 对于 $n=2$，该方程退化为 Monge–Ampère 方程，具有 Heinz 的经典估计。
• 对于 $n=3$，Warren 和 Yuan 利用了特殊拉格朗日结构。
• 对于任意维度，先前的结果要求凸性（Guan–Qiu, McGonagle–Song–Yuan）或半凸性（Shankar–Yuan）。
• 最近由 Qiu、Shankar–Yuan 和 Fan 的工作将这些结果扩展到了特定维度（例如 $n=4$）或在动态半凸性条件下。

本工作的首要目标是移除维度限制以及额外的凸性假设，仅依赖于正分支上的容许条件，建立任意 $n \ge 2$ 时的内部 Hessian 估计。

方法论
作者采用了一种新颖的方法，避免了依赖于 Jacobi 不等式或针对 Hessian 的倍增论证（doubling arguments），而这些曾是先前证明的核心。相反，证明策略集中于构造一个合适的辅助函数 $w$，使 Chou–Wang Pogorelov 估计能够应用于该函数。该方法的核心在于建立解 $u$ 与比较解 $v$ 之间的“一致内部分离”（uniform interior separation）。

技术执行分为四个主要阶段：

1. 比较与种子分离 (Comparison and Seed Separation)：
   作者引入了一个满足 $\sigma_2(D^2v) = 1/4$ 且在较大球 $B_{3/2}$ 内的比较解 $v$，其在边界上满足 $v=u$。通过比较原理，$u \le v$。利用涉及平均函数 $\omega = (u+v)/2$ 的线性化算子的局部分部积分论证，作者建立了“种子分离”：即存在一个小球 $B_r(x^*)$ 使得 $v - u \ge \varepsilon_0 > 0$。

2. 通过辅助函数传播分离性 (Propagation of Separation via Auxiliary Functions)：
   为了将此下界从一个小球扩展到整个内部区域 $B_{1/2}$，作者构造了一族辅助函数。对于任何点 $y \in B_{1/2}$，他们定义了一个相位函数：
   $$\phi_y(x) = 2((x-y) \cdot Dv(x) - v(x) + v(y)) + \frac{\alpha}{2}|x-y|^2 - 2\beta|Dv(x)|^2$$
   以及一个指数屏障 $w_y = e^{(c_y - \phi_y)/\gamma} - 1$。
   项 $-2\beta|Dv|^2$ 至关重要；它产生了一个正的二次特征值项，用以补偿可能因负特征值而在线性化算子中导致抵消的情况。通过仔细选择参数 $\alpha, \beta, \gamma$，他们证明了若 $v - u \ge \delta$ 在 $B_r(y)$ 中成立，则 $v - u \ge \theta \delta$ 在 $B_{2r}(y)$ 中成立。通过在相交球链上进行迭代，得到了 $B_{1/2}$ 内的一致下界 $v - u \ge \varepsilon_1$。

3. 边界衰减与定义域选择 (Boundary Decay and Domain Selection)：
   作者建立了 $v - u$ 在定义域边界附近的定量衰减估计，表明 $(v-u)(x) \le C d_x(1 + |\log d_x|)$，其中 $d_x$ 是到边界的距离。这种衰减结合一致的内部分离，使得可以选择一个正则值 $\delta_1$ 和一个子域 $\Omega$，使得 $w := v - \delta_1$ 满足在 $\Omega$ 内 $w > u$，在 $\partial \Omega$ 上 $w = u$，且 $L_u w > 0$。

4. 应用 Pogorelov 估计 (Application of Pogorelov Estimate)：
   在构造了屏障函数 $w$ 后，作者应用了 Chou–Wang Pogorelov 估计：
   $$\sup_{\Omega} (w-u)^4 |D^2u| \le C(n, \|Du\|_{L^\infty}, \|Dw\|_{L^\infty})$$
   由于 $w-u$ 在内部一致地远离零，这给出了所需的内部 Hessian 估计。

主要结果
论文建立了两个主要定理：

• 定理 1.1 (光滑解)： 对于 $n \ge 2$，若 $u \in C^\infty(B_2)$ 满足 $\sigma_2(D^2u)=1$ 在 $B_2$ 内，则其 Hessian 在内部是有界的：
  $$\|D^2u\|_{L^\infty(B_{1/2})} \le C(n, \|u\|_{L^\infty(B_2)}).$$
  该结果可推广至满足 $\sigma_2(D^2u) = f(x, u, Du) > 0$ 且 $f \in C^{1,1}$ 的光滑解。

• 定理 1.2 (粘性解)： 对于 $n \ge 2$，若 $u \in C(B_2)$ 是 (1.1) 的粘性解且在粘性意义下满足 $\Delta u > 0$，则 $u \in C^\infty(B_2)$ 并满足相同的内部 Hessian 估计。

意义与主张
作者声称其结果移除了以往文献中存在的维度限制以及对凸性或半凸性假设的需求。关于辅助函数的构造，其证明是自洽的，能够处理正负特征值的相互作用，而无需要求解是凸的。

论文进一步指出，这些估计意味着：

1. 正则性： 正分支上的粘性解自动是光滑的（$C^\infty$）。
2. Liouville 型定理： 每个具有二次增长的整体解 (1.1) 都必须是二次多项式。
3. Hessian 商方程： 在 $\Delta u > 0$ 的条件下，这些结果直接适用于 Hessian 商方程 $\sigma_2(D^2u)/\sigma_1(D^2u) = 1$。

该方法论被呈现为一种不同于近期工作中使用的倍增论证的独特替代方案，通过特定的屏障构造，为任意维度提供了一种统一的方法。