基于漂移驯服欧拉-马里亚玛/有限元方法的随机艾伦-卡恩方程强收敛性与长时间稳定性分析

《Applied Numerical Mathematics》：Long time stability and strong convergence of an efficient tamed scheme for stochastic Allen-Cahn equation driven by additive white noise

　　

针对带有加性空间时间白噪声的随机艾伦-卡恩方程(SACE)，研究人员提出了一种结合漂移驯服欧拉-马里亚玛时间离散化与线性有限元空间离散化的全离散方案。该研究的核心在于处理方程中的三次非全局Lipschitz漂移项，为此引入了一个特定的驯服因子，从而确保了数值解的无条件长时间稳定性。通过对辅助过程的巧妙构造，研究人员克服了强收敛性分析中的技术挑战，并在有限时间区间上建立了L2(Ω,H)范数下的强收敛阶。理论分析表明，该方案在满足Δt=O(h2)的耦合条件下，能够同时兼顾计算效率与精度。此外，研究还揭示了数值解所满足的Lyapunov结构，这保证了马尔可夫链指数衰减至唯一的不变测度。该技术框架不仅解决了SACE数值模拟中的发散难题，也为其他具有非线性和随机扰动的偏微分方程提供了稳健的数值分析范式。

研究背景与意义

随机艾伦-卡恩方程(SACE)作为描述相分离过程及随机扰动下界面动力学的重要数学模型，其数值求解长期面临由三次非线性漂移项引发的稳定性挑战。传统的显式欧拉方法在处理此类非全局Lipschitz问题时，往往受限于严格的步长约束甚至导致数值爆炸。为了解决这一痛点，本研究提出了一种名为“漂移驯服欧拉-马里亚玛/有限元方法”的创新数值策略。该方法通过在时间方向引入驯服因子，在空间方向采用标准有限元离散化，成功实现了对SACE的高效且稳定的模拟。这项研究成果不仅丰富了计算数学中关于SPDE的理论体系，更为物理、化学及材料科学中的复杂随机现象模拟提供了坚实的算法支撑。该论文发表于计算数学领域的知名期刊《Applied Numerical Mathematics》。

关键技术方法

为实现上述目标，研究人员采用了以下几个核心技术路径：首先，构建了半离散化框架，将连续SACE转化为离散的随机递归序列；其次，创新性地设计了漂移驯服因子，并将其嵌入到隐式欧拉格式中以压制非线性增长；再次，引入辅助过程Uhn来分解强误差，从而规避了非线性项带来的分析障碍；最后，综合利用Burkholder-Davis-Gundy不等式、Sobolev嵌入定理以及Poincaré不等式等泛函分析工具，完成了从L∞到L6空间的范数估计与误差控制。

研究结果

3. 时间离散化与长时间稳定性

在这一部分，研究人员重点分析了时间离散方案的耗散性质。通过建立能量恒等式并利用L2(D)内积的性质，推导出关于Xn的先验估计。研究表明，即使在没有空间离散的情况下，所提出的驯服方案也能保证解在H范数下的指数衰减。特别是，通过定义常数c0>1，研究人员证明了L2(Ω,H)范数下的能量耗散不等式，这种Lyapunov结构的发现是确立数值解长时间无条件稳定性的关键。

4. 全离散化与强误差分析

研究人员进一步将时间离散与有限元空间离散相结合。定义了均匀空间剖分Th和连续分段多项式有限元空间Vh，并引入了正交投影Ph和离散拉普拉斯算子Ah。通过构造辅助过程，将强误差分解为逼近误差E1和截断误差E2。利用算子插值理论及矩估计技术，最终在L2p(Ω,L6(D))范数下证明了辅助过程的规则性，并确立了当空间网格尺寸h与时间步长Δt满足特定耦合条件（即Δt=O(h2)）时，全离散方案能达到最优的强收敛阶。

讨论与结论

讨论部分指出，该全离散方案不仅是首次将有限元方法与特定驯服因子结合应用于加性白噪声驱动的SACE，而且其展现出的Lyapunov结构为后续研究马尔可夫链的不变测度提供了理论基石。尽管本文未严格证明不变测度的存在唯一性，但长时间稳定性结果为这一方向的探索铺平了道路。

研究结论：

1. 1.
   提出的漂移驯服欧拉-马里亚玛/有限元方法能有效解决SACE的长时间稳定性问题。
2. 2.
   数值解在时间方向上表现出指数衰减的Lyapunov结构，且该结构与时间步长无关。
3. 3.
   在满足Δt=O(h2)的条件下，全离散方案在有限时间区间上实现了预期的强收敛速率。
4. 4.
   该数值框架具有良好的扩展性，其核心思想可推广至其他具有非多项式增长漂移项的SPDE研究中。