生成时间: 2026年07月20日 10:32:59

重点关注论文数量: 3

了解领域论文数量: 3

不相关论文数量: 11

重点关注论文（完整分析）

1. 对于边界具有 Gevrey 正则性的分片光滑 Helmholtz 问题, $hp$ 有限元法不受污染效应影响

The $hp$-FEM does not suffer from the pollution effect for piecewise-smooth Helmholtz problems with Gevrey regularity at boundaries

作者: Jeffrey Galkowski, Mostafa Meliani, Euan A. Spence

类别: math.NA

发布日期: 2026-07-17

arXiv ID: 2607.16073v1

摘要翻译: 我们考虑将 $hp$ 有限元法应用于带有波数 $k$ 的 Helmholtz 散射问题, 该问题用完全匹配层截断. 散射体由 Dirichlet、Neumann 和可穿透障碍物的组合以及变系数构成. 假设 Helmholtz 解算子关于 $k$ 多项式有界, 所有系数分片光滑, 所有边界面都是 Gevrey 的, 并且所有限制在边界面上的系数连同其所有法向导数都是 Gevrey 的, 我们证明当 $p\geq 1+\varepsilon \log k$ 且 $hk/p$ 充分小时, $hp$ 有限元法是拟最优的; 即 $hp$ 有限元法不受污染效应影响. 该结果将 [Bernkopf, Chaumont-Frelet, Melenk 2025] (针对分片解析系数和解析边界证明) 和 [Galkowski, Lafontaine, Spence, Wunsch 2024] (针对在解析障碍附近解析的光滑系数证明) 中的类似结果推广到了一类更广泛的散射体.

Comment: 无

链接: http://arxiv.org/abs/2607.16073v1

1. 研究对象和背景

本文研究 $hp$ 有限元法在求解高频 Helmholtz 散射问题时的污染效应。考虑的模型是: 给定具有紧支集的源项 $f \in L^2_{\rm comp}(\Omega^+)$, 在无界区域 $\Omega^+ := \mathbb{R}^d \setminus \overline{\Omega^-}$ 上求解 $u \in H^1_{\rm loc}(\Omega^+)$ 满足

$$ -k^{-2} \operatorname{div}(A\nabla u) - n u = f \quad \text{在 } \Omega^+ \text{ 中},\quad (\mathcal{B}u)|_{\partial\Omega^+} = 0,\quad (k^{-1}\partial_r - \mathrm{i})u = o_{r\to\infty}(r^{\frac{1-d}{2}}) $$

其中 $\Gamma_s = \partial\Omega^+$ 由声软 ($\Gamma_{\rm soft}$) 和声硬 ($\Gamma_{\rm hard}$) 边界组成, 边界条件分别为 $\mathcal{B}u = u$ 或 $\mathcal{B}u = \nu \cdot (A\nabla u)$, $\nu$ 为单位外法向。散射体由 Dirichlet、Neumann 及可穿透障碍物组合而成, 且允许系数 $A$ (对称正定矩阵) 和 $n$ (实值函数) 在穿越一个内部界面 $\Gamma_p$ 时分片光滑, 并在无穷远处分别恒等于单位矩阵和 $1$。该问题解的存在唯一性由经典理论保证, 参见 [19]。

数值上, 通过径向完美匹配层 (PML) 进行截断, 得到有界计算域 $\Omega = \Omega^+ \cap \Omega_{\rm tr}$ 上的变系数边值问题:

$$ P_k u := -k^{-2} \operatorname{div}(A_\theta \nabla u) + k^{-2} b_\theta \cdot \nabla u - n_\theta u = f \ \text{于 } \Omega,\quad (\mathcal{B}u)|_{\partial\Omega^+}=0,\quad u|_{\partial\Omega_{\rm tr}}=0, $$

其中 $A_\theta, b_\theta, n_\theta$ 在 PML 区域外分别等于 $A, 0, n$。当数据 $f$ 的支集远离 PML 区域时, 截断解与原散射解在远离 PML 处的差异关于 $k$ 指数衰减 [15]。定义 PML 问题解算子范数

$$ \rho(k) := \sup\big\{ \|u\|_{L^2(\Omega)} : \|P_k u\|_{L^2(\Omega)}=1 \big\}. $$

在 Helmholtz 方程的 $h$-版本有限元分析中, 经典的污染效应 [5] 表现为: 为保证当 $k\to\infty$ 时误差受控, 仅满足每个波长固定点数 ($hk \sim 1$) 是不充分的, 需要使 $hk$ 趋于 $0$。对于 $p$ 或 $hp$-版本, 若增加多项式次数 $p$ 使其随 $k$ 对数增长 ($p \gtrsim \log k$), 且 $hk/p$ 足够小, 则 Galerkin 解的 $k$-一致拟最优性可以被证明 [28, 29, 25, 16, 17, 6]。拟最优性意味着(|u - u_h|{H^1_k(\Omega)} \le C \min{w_h\in V^p_{\mathcal{T}}} |u - w_h|_{H^1_k(\Omega)}), 其中 $\| \cdot \|_{H^1_k}^2 = k^{-2}\|\nabla \cdot\|^2_{L^2} + \|\cdot\|^2_{L^2}$, 表示误差仅由逼近性质决定(与 $k$ 无关的常数倍)。

当前最先进的 $hp$-FEM 拟最优性结果 [25, 16, 17, 6] 均要求散射体或系数具有解析性: 例如 [6] 要求区域和系数都是分片解析的; [17] 要求光滑系数且在解析障碍物附近为解析的。然而, 对于实际应用中遇到的分片光滑而其边界仅有有限阶光滑性的介质, 上述假设过于苛刻。这也带来了一个理论问题: 为什么仅在边界附近才需要超越光滑的附加正则性, 而内部光滑就足够? 本文在对边界和界面施行 Gevrey 类正则性假设下, 回答了这一问题。Gevrey 类函数由估计

$$ \sup_{x\in K} |\partial^\gamma g(x)| \le M^{|\gamma|+1}(\gamma!)^\sigma $$

刻画, 其中 $\sigma \ge 1$; 当 $\sigma=1$ 时还原为解析函数, $\sigma>1$ 时给出介于 $C^\infty$ 和解析之间的正则性。与解析假设相比, Gevrey 类允许边界具有更小的正规性。本文的核心贡献是证明: 若散射体边界 $\Gamma_s$、PML 边界 $\partial\Omega_{\rm tr}$ 和内部界面 $\Gamma_p$ 都是 Gevrey-$\sigma$ 的, 且系数 $A_\theta, n_\theta$ 为分片光滑, 并在 $\Gamma_s$ 和 $\Gamma_p$ 处是 Gevrey-$\sigma$ 的(即系数的限制连同其所有法向导数都属于 Gevrey 类), 再结合解算子范数 $\rho(k)$ 多项式有界这一对“大多数”波数成立的条件 [24], 则 $hp$-FEM 仍然可以达到 $k$-一致拟最优性。该结果将解析性要求显著削弱为 Gevrey 要求, 并清晰地表明仅需在边界和界面处施加此类附加正则性, 内部光滑即足够。这正是本文试图填补的空白。

2. 主要定理或主要结果

本文的主要结果是在以下假设下证明了 $hp$-FEM 的 $k$-一致拟最优性:

定理 1.5 ( $hp$-FEM 与 $p$-FEM 的 $k$-一致拟最优性). 设 $\sigma \ge 1$, $\Gamma_s$、$\partial\Omega_{\rm tr}$ 和内部界面 $\Gamma_p$ 均是 Gevrey-$\sigma$ 的超曲面, $A_\theta$ 与 $n_\theta$ 在 $\Gamma_s$ 和 $\Gamma_p$ 处为 Gevrey-$\sigma$ (即从每一侧限制到界面上连同所有法向导数均属于 Gevrey 类 $G^\sigma$), 且存在波数集合 $K \subset (0,\infty)$ 满足

$$ \sup_{k\in K} \frac{\log \rho(k)}{\log k} < \infty, $$

即 $\rho(k)$ 关于 $k$ 多项式有界。则对任意给定的 $\varepsilon, k_0, \Upsilon > 0$, 存在常数 $C, C_{\rm qo}, h_0 > 0$, 使得对所有 $k \in K \cap [k_0, \infty)$ 以及所有具有常数 $\Upsilon$ 的 Gevrey-$\sigma$ 单纯形仿射相容三角剖分 $\mathcal{T}$, 如果网格参数满足

$$ 0 < h(\mathcal{T}) < h_0,\qquad \frac{h(\mathcal{T}) k}{p} \le C,\qquad p \ge 1 + \varepsilon \log k, $$

并且 $\partial\Omega \cup \Gamma_p \subset \bigcup_{T\in\mathcal{T}} \partial T$ (即界面和边界均被剖分面覆盖), 那么对于任意 $u \in H^1_k(\Omega)$, 其在 $V^p_{\mathcal{T}}$ 中的 Galerkin 逼近 $u_h$ 存在且满足拟最优估计

$$ \|u - u_h\|_{H^1_k(\Omega)} \le C_{\rm qo} \min_{w_h\in V^p_{\mathcal{T}}} \|u - w_h\|_{H^1_k(\Omega)}. $$

注1.6: 若剖分拟一致, 则离散空间维数 $\sim (p/h)^d$, 因此定理表明存在维数 $\sim k^d$ 的分片多项式空间使 Galerkin 逼近 $k$-一致拟最优——即 $hp$-FEM 不遭受污染效应。

注1.7: 条件 (1.7) 等价于 $\rho(k)$ 在 $K$ 上多项式有界。进一步, 对于任意 $\delta, k_0 > 0$, 存在集合 $K \subset [k_0,\infty)$ 使得 $[k_0,\infty)\setminus K$ 的测度小于 $\delta$ 且在 $K$ 上 (1.7) 成立。其依据是 PML 问题除有限个 $k$ 外适定 [15], PML 解算子可由散射解算子控制 ((1.3) 式), 以及散射解算子在“大多数” $k$ 下多项式有界 [24]。

定理 1.5 将现有文献要求障碍物与系数解析的结论推广到了 Gevrey 类正则性, 且要求的附加正则性仅需在边界与界面处成立, 内部仅需分片光滑即可。该结果统一并显著改进了 [6] 和 [17] 中的相应定理。

3. 研究方法、关键技术和核心工具

本文的核心方法是通过构造辅助的自伴椭圆算子 $\widetilde{P}$ 来对解进行高频-低频分裂, 从而实现对低频部分的有效逼近和对高频部分的 $k$-一致控制。具体而言, 证明的关键技术点如下:

1. 频率分裂的新途径 前人工作中或是对数据作 Fourier 截断 [28, 29, 6], 或是直接对解作 Fourier 截断 [25], 或是对真实的 Helmholtz 算子 $P_k$ 作泛函演算 (即令 $u_L = \psi(P)u$ 其中 $P = \operatorname{Re} P_k$) [16, 17]。第一种方法要求解具有解析延拓性质, 从而要求系数与区域解析; 后两种方法虽然成功地去除了内部解析性, 但必须要求边界附近解析, 以保证 $P$ 的特征函数能被多项式很好地逼近。本文的创新之处在于: 不去直接截断 $P_k$ 的解, 而是构造一个辅助算子 $\widetilde{P}$, 它由修改过的系数 $\tilde{A}, \tilde{n}$ 通过

$$ \langle \widetilde{P} u, v \rangle = \langle \tilde{A} k^{-1}\nabla u, k^{-1}\nabla v \rangle - \langle \tilde{n} u, v \rangle $$

定义, 其中 $\tilde{A}, \tilde{n}$ 满足: 在 $\partial\Omega^+$ 和界面 $\Gamma_p$ 上与 $A, n$ 的所有导数均一致, 在它们附近为 Gevrey-$\sigma$, 且整体分片光滑。这样的 $\widetilde{P}$ 与原 Helmholtz 算子 $P_k$ 共享相同的定义域 (在边界和界面处的匹配避免了定义域的不匹配), 更重要的是, 其谱分解中低频部分对应的特征函数具有 Gevrey-$\sigma$ 正则性 (由椭圆正则性理论保证, 附录 C), 从而可以被分片 $p$ 次多项式很好地逼近 (附录 B 的逼近结果)。低频截断通过 $u_L := \psi(\widetilde{P}) u$ 实现, 其中 $\psi \in C_\mathrm{c}^\infty(\mathbb{R})$ 由 Gårding 不等式 (Lemma 2.4) 构造, 使得修正后的算子 $P_k + S_k$ (其中 $S_k = \psi(\widetilde{P})$) 是强制的、一致于 $k$ 的。

2. 高频部分的控制 令 $u_H := u - u_L$。要完成拟最优性的证明, 需要在 Schatz 论证框架下控制 $u_H$ 的 $H^1_k$ 范数且要求对 $k$ 一致有界 (参见附录 A)。这通过伪局部性结果实现。Lemma 2.4 保证了 $P_k + S_k$ 是强制的, 因此该算子的逆在 $H^1_k \to (H^1_k)^*$ 下一致有界 (与 $k$ 无关)。于是

$$ u_H = u - \psi(\widetilde{P})u = (I - \psi(\widetilde{P})) u = (P_k + S_k)^{-1} (P_k + S_k)(I - \psi(\widetilde{P})) u. $$

利用 $S_k$ 与 $\widetilde{P}$ 的泛函演算关系, 可将 $(P_k + S_k)(I - \psi(\widetilde{P}))$ 表达为 $(P_k - \widetilde{P})(I - \psi(\widetilde{P})) + (\widetilde{P} + S_k)(I - \psi(\widetilde{P}))$。后者为零因为 $S_k = \psi(\widetilde{P})$ 与 $I-\psi(\widetilde{P})$ 正交; 前者则由于 $P_k - \widetilde{P}$ 在远离边界和界面处是零 (因为 $\tilde{A} = A, \tilde{n} = n$ 除界面附近外), 且 $(I-\psi(\widetilde{P}))$ 仅保留高频。利用空间伪局部性 (Lemma 2.5) 和频率伪局部性 (Lemma 2.6) 可证明 $(P_k - \widetilde{P})(I-\psi(\widetilde{P}))$ 作用在 $u$ 上后不仅没有 $k$ 的坏增长, 而且实际上在除去边界和界面的一个小邻域后是 $O(k^{-\infty})$ 的。因此 $\|u_H\|_{H^1_k} \le C\|u\|_{H^1_k}$ (或等价地受控于数据 $f$), 且常数 $C$ 与 $k$ 无关。

3. 伪局部性与交换子估计 频率伪局部性 (Lemma 2.6) 依赖于两个二阶算子 $P_k$ 和 $\widetilde{P}$ 之间的高阶交换子估计 (Lemma 2.9), 它使用到公式 (2.11) 的推导。其核心是利用 $P_k$ 与 $\widetilde{P}$ 在界面和边界附近定义域相同 ($\mathcal{D}(\widetilde{P}^N) = \mathcal{D}(P^N)$), 因此它们在 $H^m_k$ 范数下产生的交换子是 $O(k^{-N})$ 的。这一性质结合已有的抽象伪局部性定理 [2, Theorem 5.37] 保证了 $\psi_1(\widetilde{P}) \chi (P_k + S_k)^{-1} \chi \psi_2(\widetilde{P})$ 是 $O(k^{-\infty})$ 的、当 $\psi_1$ 与 $\psi_2$ 支撑集分离时。这对于证明 $u_H$ 的局部受控性以及逼近理论中处理交叉项是至关重要的。

4. 逼近理论的改进 为利用解的正则性, 附录 B 专门建立了 Gevrey-$\sigma$ 函数在分片多项式空间中的 $p$- 阶显式逼近结果。对于定义在参考单形上的函数 $\hat u$, 若其满足 $\sup_{\hat x} |\partial^\gamma \hat u(\hat x)| \le M^{|\gamma|+1}(\gamma!)^\sigma$, 则存在次数 $\le p$ 的多项式 $\Pi_p \hat u$ 使得

$$ \|\hat u - \Pi_p \hat u\|_{H^1(\hat T)} \le C p^{\alpha} \big(C \sigma\big)^{p^{1/\sigma}} e^{-\lambda p^{1/\sigma}}, $$

其中 $\alpha, \lambda$ 依赖于维数。这一逼近率虽然不如解析情况 ($\sigma=1$ 时指数衰减速度更快), 但若 $p \ge 1+\varepsilon \log k$, 则逼近误差对 $k$ 仍然是超多项式衰减的, 从而足以保证 $\min \|u_L - w_h\|_{H^1_k}$ 受控, 最终获得拟最优性。

5. 证明的整体结构 首先在较弱的假设下证明一个抽象拟最优性引理: 只需要低频部分逼近得足够好并且高频部分受控, 即可得到拟最优性 (第 4 节)。接着在第 5 节中具体构造 $\widetilde{P}$ 并验证其满足所有需要的性质 (包括系数的延拓、Gevrey 正则性、与 $P_k$ 的定义域一致性等)。最后在第 6 节中组合所有估计, 证明定理 1.5。

总结创新点: 通过引入一个只在边界和界面附近与原算子有异的辅助椭圆算子来定义频率分裂, 成功将对边界正则性的要求从解析降为 Gevrey, 并清晰地揭示了边界附加正则性仅在保证低频部分可被多项式逼近时才是必要的。

4. 与之前工作的比较

本文的结果显著扩展了 $hp$-FEM 对 Helmholtz 方程拟最优性分析的正则性适用范围。以下从几个维度比较先前工作:

1. 与 [6] (Bernkopf, Chaumont-Frelet, Melenk 2025) 的比较 [6] 解决了分片解析系数和解析边界的 Helmholtz 问题, 其证明依赖于对数据做低通滤波, 再用解析椭圆正则性得到分片解析的解。本文在两方面显著推进: (a) 将解析性弱化为 Gevrey-$\sigma$ ($\sigma\ge 1$) 正则性; 特别地, 允许边界和界面仅是 Gevrey 类而非解析, 这包含了一大类具有有限光滑性边界的实际散射体; (b) 明确区分了内部与边界的要求: 内部仅需分片光滑, 附加的 Gevrey 正则性只在界面和边界处需要, 而 [6] 要求全局分片解析, 事实上是整个区域直至边界都是解析的。

2. 与 [17] (Galkowski, Lafontaine, Spence, Wunsch 2024) 的比较 [17] 对光滑系数但仅在解析障碍物附近解析的情形证明了 $hp$-FEM 拟最优性, 其方法是对 $\operatorname{Re} P_k$ 作泛函演算实现频率截断, 进而需要障碍物附近解析以保证该算子的特征函数有好的逼近性质。本文不仅将障碍物的解析性替换为 Gevrey 类, 而且去除了系数在障碍物附近解析的要求, 改用 Gevrey 类正则性替代。此外, [17] 中对系数的假设是全局光滑且仅障碍物附近解析, 而本文允许系数分片光滑且可穿透障碍物 (有界面 $\Gamma_p$), 障碍物边界可同时包含 Dirichlet 和 Neumann 部分, 这是一般化。

3. 与更早的工作 [25, 16] 等比较 [25] 通过 Fourier 截断直接对解作用 $1_{[-2k,2k]}(|D|)$ 来获得低频部分, 不需要任何解析性, 但代价是低频部分的逼近误差只能通过 Fourier 截断误差来控制, 该误差不是超越多项式的, 因此只能得到 $hp$-FEM 的误差关于 $k$ 多项式增长而非一致拟最优性; [16] 通过考虑 $\operatorname{Re} P_k$ 的泛函演算将 [25] 的方法与 [17] 的框架结合, 但边界处仍需解析性。本文的方法无须 Fourier 截断, 也不需要 $\operatorname{Re} P_k$ 的特征函数逼近性质, 而是通过构造辅助算子 $\widetilde{P}$ 直接得到低频部分具有 Gevrey 正则性, 这在边界上仅需 Gevrey 假设。

4. 对“边界需附加正则性”的解释 本文为长期以来“为什么高频 Helmholtz 问题在远离散射体时可以用光滑系数处理, 但近边界时必须要求比光滑更多的正则性”提供了概念性澄清。过去的方法: 如果对数据做低通滤波来获得 $u_L$, 则 $u_L$ 的正则性完全取决于系数和区域的正则性 (通过椭圆正则性); 如果用 Fourier 截断, 则低频部分仅能保证 $L^2$ 型控制, 无法推出高阶 Sobolev 范数的一致有界性, 因此无法利用高次多项式的逼近优势。本文说明, 本质上只需要一个自伴算子 $\widetilde{P}$ 使得其低频部分 ($\psi(\widetilde{P})u$) 与 $u$ 在低频部分相近, 且其正则性仅受限于边界和界面的正则性。构造这样的 $\widetilde{P}$ 的关键在于在边界附近将系数光滑地接出, 使其与原来的系数在边界上任意阶导数一致, 但在内部仅保持与原来相同的光滑性。这揭示了附加正则性的必要性: 若系数在边界处只有 $C^\infty$ 但非 Gevrey, 则无法定义这样的 $\widetilde{P}$ 使其系数在边界附近属于 Gevrey 类, 从而导致 $u_L$ 的正则性不足以使用 $p$ 次多项式的高精度逼近; 若强行做, 逼近误差将受到边界导数增长过快的影响, 不能达到超多项式衰减。

5. 对剖分的要求 本文要求“Gevrey-$\sigma$ 单纯形仿射相容三角剖分”, 即在每个单形上元素映射 $F_T$ 是 Gevrey-$\sigma$ 的, 且邻接映射满足相容性条件以保证整体 $H^1$ 连续性。这与 [6] 中要求剖分是解析的相比, 放宽了对网格几何的要求, 只需要边界元素匹配 Gevrey 边界即可。文中还指出, 若进一步降低对剖分的正则性要求 (例如只要求 $C^\infty$ 网格), 则可能因为元素映射的可微性阶数有限从而导致 $u\circ F_T$ 不再是 Gevrey 函数, 逼近阶将受限于边界的可微性阶, 从而无法达到超多项式逼近, 最终污染效应无法消除。因此, 网格的 Gevrey 要求也是本质的。

6. 局限与潜在扩展 本文仍然需要假设 $\rho(k)$ 多项式有界, 这一条件通过 [24] 知在“大多数”频率下成立, 但并非全部; 在个别可能发生谐振的 $k$ 上, 定理 1.5 不适用。另外, 对系数的要求是“在边界处 Gevrey” 即所有法向导数的限制都是 Gevrey, 这比普通 Gevrey 函数稍强。作者也探讨了将 Gevrey 类进一步放松至 Denjoy–Carleman 类 (1.11) 的可能性, 仅需对应的椭圆正则性结果, 但他们认为没有本质困难, 不过因 Gevrey 类在数值分析文献中更常见而未展开。最后, 本文的证明还可应用于 Maxwell 方程组等情形, 但未在本文中正式处理。

总体而言, 本文的工作将 $hp$-FEM 处理高频 Helmholtz 问题的理论从解析世界推进到了实际的 Gevrey 类散射体, 是这一领域的重要进展。

2. 面向多尺度塑性的轻量级回映代理模型：实践指南

Lightweight return-mapping surrogates for multiscale plasticity: a practical guide

作者: Alireza Daneshyar, Leon Herrmann, Stefan Kollmannsberger

类别: math.NA

发布日期: 2026-07-17

arXiv ID: 2607.15931v1

摘要翻译: 本文为在并发多尺度（FE$^2$）模拟中构建塑性回映过程的轻量级神经网络代理模型提供了一份实践指南。我们并未提出新的架构，而是展示了一个精心设计的简单前馈网络——其结构镜像了经典的回映更新——如何能够替代传统FE$^2$方案中占据主要计算成本的、基于介观尺度FFT均质化的昂贵嵌套细尺度求解。我们完整地梳理了工作流程：从增量均质化分析生成训练数据、构造紧凑而充分的数据集、将材料对称性直接嵌入映射，到将训练好的网络作为用户自定义材料子程序（UMAT）部署于标准有限元求解器中，从而实现广泛应用。敏感性研究考察了模型对数据密度、增量大小和网格细化的鲁棒性，并刻画了代理模型适用与失效的区间。就本文所考虑的宏观各向同性二维平面应力情形而言，代理模型重现了参考响应，同时将单次分析的成本从数小时降至数秒，加速比可达标准FE$^2$的30,000倍。在采用适当的采样策略和数据集的前提下，该方法可自然地推广到三维情形以及更弱的对称性假设。

Comment: 无

链接: http://arxiv.org/abs/2607.15931v1

1. 研究对象和背景

宏观材料行为受其细观结构支配，尤其在混凝土或泡沫金属等材料中，多尺度耦合效应显著。传统唯象本构模型难以准确捕捉跨尺度相互依赖的力学响应，因此并发多尺度有限元方法（FE²）成为必要工具。在 FE² 框架中，每个宏观高斯点处分配一个代表性体积元（RVE），通过求解细观边值问题获得局部本构响应，实现双向尺度转换。然而，在每个积分点反复求解 RVE 问题带来巨大的计算负担，尤其当细观材料呈现高非线性时。快速傅里叶变换（FFT）均匀化方法（Moulinec & Suquet, 1998）通过局部运算替代全局系统求解，将计算复杂度从 $O(n^2)$ 降至 $O(n \log n)$，并可直接基于像素/体素数据工作，极大提升了效率。尽管如此，在每次迭代中对每个高斯点执行高分辨率细观模拟仍然是工业应用难以承受的计算瓶颈。

神经网络作为通用逼近器，为数据驱动本构建模提供了有力框架。早期工作（Ghaboussi et al., 1991）提出用神经网络学习应力-应变映射，近年来混合方法将网络嵌入经典塑性理论的组成部分（如硬化、流动法则），而多尺度代理模型则直接替代 RVE 求解。然而，这些模型往往仍依赖于显式定义的屈服函数或塑性势，或采用循环架构处理路径依赖，不仅复杂，且难以保证数值稳定性和变步长适应性。

本文聚焦于并发多尺度仿真的塑性回映过程，目标是用一个轻量级前馈神经网络完全替代经典回映算法中的弹性预测-塑性修正步骤，无需预知任何解析形式的屈服面或塑性势。研究对象为二维平面应力条件下具有近似各向同性响应的多孔金属 RVE（固体相为铝合金，服从 $J_2$ 塑性，硬化模量 700 MPa），通过 FFT 均匀化生成训练数据。所构建的代理模型输入为弹性试探主应力 $\bar{\sigma}^{\text{tr}}_x$、$\bar{\sigma}^{\text{tr}}_y$ 及当前等效塑性应变 $\bar{\varepsilon}^\text{p}_{\text{eq}}$，输出为更新后的主应力 $\bar{\sigma}_x$、$\bar{\sigma}_y$ 与塑性乘子增量 $\Delta \bar{\gamma}$。该设置已在有序主应力空间中硬性满足了客观性、各向同性和张压对称性，并通过数据生成策略编码路径历史，避免了循环网络。

本文试图填补的空白在于：提供一个系统性的实用指南，涵盖从数据生成、物理约束嵌入、网络训练到部署为 ABAQUS UMAT 的完整工作流，并首次对代理模型的鲁棒性（数据密度、增量尺寸、网格细分）及失效工况进行详细刻画。与以往仅侧重网络架构或离线验证的工作不同，本文更注重工程中的可复现性和安全使用准则，为数据驱动多尺度塑性仿真建立可实践的标准。

2. 主要定理或主要结果

在宏观各向同性、平面应力、张压行为对称的假设下，本文所提出的三层前馈神经网络（每层 32 个神经元，GELU 激活）完全替代了经典返回映射算法，并在标准基准问题中准确复现了参考响应。主要结果从实验和敏感性分析中得出，无严格定理，但可以概括为：

  1. 精度：对于单轴拉伸、循环加载、多轴比例/非比例加载等工况，网络预测的宏观应力-应变曲线与 FFT 均匀化直接求解的结果几乎重合，相对误差低于 1%。
  2. 加速比：单次宏观分析的计算时间从数小时量级缩减至秒级，最高加速因子达 30 000，使大规模非线性多尺度模拟变得可行。
  3. 数据采样策略的有效性：采用配对增量策略（将上一增量步末状态作为输入的一部分）和应力空间等角度采样（步长约 5°–10°），配合符号折叠，仅需较少样本即可覆盖全部加载方向。当采样角度步长增大至 30° 时，非训练方向的预测误差开始显著上升。
  4. 步长依赖性：网络仅在训练数据所覆盖的应变增量范围内可靠工作。若仿真中使用过大或过小的应变增量，预测偏差增大，甚至导致收敛失败。建议在训练集中包含足够宽泛的增量幅值分布。
  5. 网格收敛性：在不同宏观网格细化级别下，代理模型给出的力-位移响应保持一致，未出现网格依赖性失稳，表明其适用于标准有限元网格。
  6. 失效模式：当加载路径严重偏离训练集（如大幅跨越塑性应变、非比例路径超出采样包络）时，网络可能预测出物理不合理的 $\Delta \bar{\gamma}<0$ 或应力状态；文中通过引入弹性回退策略（当 $\Delta \bar{\gamma} < 0$ 时采用纯弹性解）部分缓解，但更根本的方法是在训练集中纳入更多样的路径。
  7. 非关联性验证：通过数值分析（在 $–30^\circ$、$0^\circ$、$30^\circ$ 三种比例加载路径下比较塑性流动方向与屈服面法向）确认，均匀化后的宏观本构呈现非关联流动，这解释了为何需要数据驱动方法——传统回映算法需要显式屈服函数和塑性势，而宏观响应并无简单解析形式。

这些结果表明，该轻量级代理在训练数据所定义的范围内可有效替代细观求解器，为多尺度塑性仿真提供了一种兼具精度和极高效率的实用方案，且其安全使用条件清晰可循。

3. 研究方法、关键技术和核心工具

本文的技术障碍在于如何用一个极简的前馈网络精确捕捉路径相关、非关联的宏观塑性行为，同时大幅降低训练数据需求，并保证物理合理性。作者的主要创新与关键技术包括：

  1. 物理引导的输入输出设计：直接继承返回映射算法的信息流。输入取为弹性试探主应力 $\bar{\sigma}^{\text{tr}}_x, \bar{\sigma}^{\text{tr}}_y$ 和等效塑性应变 $\bar{\varepsilon}^\text{p}_{\text{eq}}$；输出为修正后的主应力 $\bar{\sigma}_x, \bar{\sigma}_y$ 和塑性乘子增量 $\Delta \bar{\gamma}$。等效塑性应变作为唯一的状态变量，编码了硬化历史，使得网络无需显式看到整个应变序列即可预测路径依赖的响应。这与循环网络（如 LSTM）形成对比，后者通过隐状态记忆历史，但训练和推断更复杂，且对变步长敏感。

  2. 对称性嵌入与输入域折叠：在有序主应力空间中工作，自动满足材料客观性：主应力由应力张量的特征值给出，与观察者坐标系的选择无关；通过主应力排序（$\sigma_1 \ge \sigma_2$）强制各向同性，网络无法区分原始空间方向。进一步利用张压行为对称假设，将输入通过符号折叠映射至第一象限（实质上应用变换 $(\sigma_x, \sigma_y) \to (|\sigma_x|, |\sigma_y|)$），从而将输入空间缩减至原来的 1/4。这大幅减少了所需训练样本的数量，同时硬性保证了相关的材料对称性。若需处理各向异性或张压不对称，只需移除相应的折叠操作并扩展输入维度即可。

  3. 训练数据生成策略（配对增量）：为了在数据中体现路径依赖性，每个训练样本不仅包含当前增量末的信息，还通过提供上一增量末的试应力和等效塑性应变来隐式包含前一状态。具体流程：在 $\bar{\sigma}_x$-$\bar{\sigma}_y$ 主应力平面内，按不同角度（均匀采样）和幅值施加一系列比例加载路径，使用 FFT 均匀化求解每个增量步后的准确状态，并记录 $\{ \bar{\sigma}^{\text{tr}}_x, \bar{\sigma}^{\text{tr}}_y, \bar{\varepsilon}^\text{p}_{\text{eq}} \}$ 作为输入，$\{ \bar{\sigma}_x, \bar{\sigma}_y, \Delta \bar{\gamma} \}$ 作为输出。这种设计将弹性预测器和塑性修正器的功能融合到一个网络中，而无需在推测时再分步计算。路径采样策略的关键在于覆盖足够的方向密度和增量幅值范围，以捕获非比例加载的影响。敏感性分析表明，方向采样步长在 5°–10° 时即可满足精度要求。

  4. 物理约束的混合实施：不变性（客观性、各向同性、对称性）通过构造满足（硬约束）。热力学第二定律的不可逆性 $\Delta \bar{\gamma} \ge 0$ 通过后处理强制执行：若网络预测出负值，则退回纯弹性解，$\bar{\sigma} = \bar{\sigma}^{\text{tr}}$，$\Delta \bar{\varepsilon}^\text{p}=0$。耗散不等式 $\bar{\sigma}:\Delta \bar{\varepsilon}^\text{p} \ge 0$ 仅由训练数据统计满足，但未作为硬约束，因此可被违反，这被建议作为网络失效的指示器，提醒用户当前预测可能不合理。

  5. UMAT 部署：训练好的网络被导出为纯矩阵运算和激活函数，直接写入 ABAQUS 用户材料子程序（UMAT）。在 UMAT 内部，每个高斯点在给定应变增量后计算试应力 $\bar{\sigma}^{\text{tr}}$，调用网络正向传播得到 $\bar{\sigma}$ 和 $\Delta \bar{\gamma}$。若 $\Delta \bar{\gamma}<0$ 则执行弹性方案。根据输出主应力重构应力张量（假设主方向不变，因材料各向同性且未涉及主方向旋转），并更新状态变量。整个流程无需任何解析塑性模型，实现了纯数据驱动的应力更新。

  6. 敏感性分析框架：系统考察数据密度（采样角度步长）、增量尺寸、网格细分对代理预测质量的影响，并识别失效边界。例如，当应变增量幅值超过训练最大值时，网络会产生较大误差；网格细分研究显示代理模型保持一致的收敛行为，未表现出病态网格相关性。这些研究为实际应用中如何选取训练参数、如何检测模型失效提供了定量指导。

通过上述技术，作者将计算塑性问题转化为有监督回归任务，用最小架构代价实现了高精度和高效率的代理，其核心并非提出新网络结构，而是通过工程设计使网络“足够好”地工作，并为此提供了全面的实践方案。

4. 与之前工作的比较

本文与既有神经网络本构代理研究在多个维度上有显著区别和推进：

  1. 代理范围与完全数据驱动程度：传统的混合方法（如 [30] 用两个网络分别替代各向同性和随动硬化，[31] 用网络分别学习弹性和塑性流动法则，[32] 用网络输出流动法则和随动硬化更新）仍保留部分解析组件，尤其是屈服函数。本文用一个单一前馈网络完全替代了返回映射的全部计算（屈服函数、流动法则、硬化更新），无需任何显式解析表达式。这使得该框架能直接应用于那些宏观屈服面形状复杂甚至无法写出解析形式的情况，例如本文均匀化得到的非关联、非 $J_2$ 行为。

  2. 路径依赖建模策略：文献中的多尺度代理常采用循环神经网络（如 [41] 使用 RNN 为 Perzyna 粘塑性材料学习应变序列到应力序列的映射，[46,47] 亦采用类似架构）。尽管 RNN 理论上可处理任意长短的路径依赖，但其训练难度大、推断计算成本较高，且难以直接处理变步长情况。本文通过引入等效塑性应变 $\bar{\varepsilon}^\text{p}_{\text{eq}}$ 作为内部的物理学状态变量，配合配对增量训练数据，将演化过程蕴含在输入-输出关系中，使前馈网络足以准确预测。这带来了三个优势：（i）推断时仅需当前状态和增量，无需存储历史状态，内存和计算开销极低；（ii）网络架构简洁，训练稳定；（iii）天然支持变步长，因为步长信息已编码在弹性试应力中。

  3. 与类似前馈代理的比较：Le et al. [44] 也曾用前馈网络代理 RVE 的弹塑性响应，但隐含地假设了关联塑性且针对 $J_2$ 流动，本文覆盖了更一般的非关联情形。而且本文给出的敏感性分析、失效工况识别和完整工作流指南在先前文献中较为少见。Liu et al. [45] 提出的深度材料网络（DMN）用层状块体替换 RVE，其参数离线拟合线弹性响应，然后不变地用于非线性加载；这种方式具有一定的通用性，但预测精度可能受到线弹性等效的限制。本文直接从非线性 FFT 模拟数据学习，能精确复现强非线性响应，尤其在大塑性变形阶段。

  4. 对称性利用与数据效率：许多代理方法针对一般各向异性材料（如 [41,42]），需要大量训练数据覆盖六维应变空间，而本文通过硬性嵌入各向同性和张压对称，将学习任务限制在二维主应力空间的一个象限内，显著减少了数据需求（几百到几千个样本足矣）。当然，这以牺牲一般性为代价，但作者指出，移除对称性假设仅需扩展输入空间维度并调整采样策略，框架本身可自然推广。

  5. 计算效率及工程实用性：本文报告了高达 30,000 倍的加速比，远高于同类代理模型通常报道的几百倍。这得益于极低的网络复杂度（96 个神经元）、在有序主应力空间中的运算以及部署时无需额外数值迭代。此外，作者将网络固化为 UMAT 子程序，可直接在 ABAQUS 等商用软件中使用，无需借助 PyTorch 等深度学习库，便于工业采纳。文献中许多代理模型仅停留在 MATLAB 或 Python 环境的离线验证，本文则真正实现了在专业有限元求解器中的嵌入。

  6. 安全使用指南与失效分析：本文的一个显著特色是，不仅演示成功案例，还详细刻画了代理模型在哪些条件下会失败（如增量步长过大或过小、加载方向超出采样包络、极端塑性应变），并给出了缓解策略（扩展训练集、回退弹性解、监控耗散违反）。这种工程可靠性探讨在多尺度代理文献中尚属首见，有较强的实际指导意义。

  7. 局限性与代价：与严格满足热力学定律的物理约束网络（如基于凸神经网络的模型保证稳定性和唯一性 [59]）相比，本文不硬性保证耗散不等式和材料稳定性，因此存在潜在的非物理预测风险。另外，网络是针对特定 RVE 和固定材料参数训练的，更换 RVE 材料需要重新生成数据并训练，无法通过参数调整来适应不同材料，这一点不同于传统本构模型的可调参数版本。然而，作者提出的“材料专属网络库”概念可视为一种现实折中。此外，当前工作限于宏观各向同性、平面应力、张压对称，推广至三维或各向异性需要重新设计和采样，但方法论框架不变。

3. 非线性多尺度物理信息学习的统计表述差距

A Statistical Formulation Gap for Nonlinear Multiscale Physics-Informed Learning

作者: Ronald Katende

类别: math.NA, cs.LG, math.AP

发布日期: 2026-07-17

arXiv ID: 2607.15702v1

摘要翻译: 我们证明了非线性多尺度椭圆方程物理信息学习的有限样本表述差距。对于在尺度 $\epsilon$ 上系数振荡的均匀单调散度型类，我们为边界兼容的变分神经求解器推导了有限宽度、有限样本和有限迭代的误差界。其稳定性、抽样和优化常数与 $\epsilon$ 无关，而所有未分辨的尺度依赖性都隔离在最佳逼近误差中。然后，我们为带立方反应的一维周期扩散方程构造了一个最小障碍见证。仅在单参数族 $v_c(x)=cx(1-x)$ 上，强残差的经验拉德马赫复杂度被一个常数乘以 $(\epsilon\sqrt{N})^{-1}$ 下界，而平方强残差损失的经验拉德马赫复杂度被一个常数乘以 $(\epsilon^2\sqrt{N})^{-1}$ 下界。这些是抽样残差和损失类的与优化器无关的性质，而非神经正切核条件数陈述。相应的变分能量复杂度在 $\epsilon$ 一致地以一个常数乘以 $N^{-1/2}$ 为上界。张量积构造表明，相同的障碍速率在每一空间维数中持续存在。数值评估给出强残差、平方强损失和变分能量的拟合指数分别为 $0.9971$、$1.9860$ 和 $-0.0028$。因此，微分微观系数会造成有限样本统计病态。变分公式化消除了这种统计惩罚，但没有消除独立的多尺度逼近问题。

Comment: 10 pages, 0 figures, 1 table

链接: http://arxiv.org/abs/2607.15702v1

1. 研究对象和背景

本文研究物理信息神经网络（PINNs）在求解非线性多尺度椭圆方程时的统计复杂性问题。考虑定义在有界 Lipschitz 区域 $\Omega\subset\mathbb{R}^d$ 上的一类散度型方程，其系数存在 $\varepsilon$ 尺度的快速振荡。具体模型为：$u^\varepsilon\in H^1_0(\Omega)$ 满足

$$-\nabla\cdot[\partial_\xi F(x, x/\varepsilon, \nabla u^\varepsilon)] + \partial_s G(x, u^\varepsilon) = f \quad \text{in } \Omega, \quad u^\varepsilon=0 \text{ on } \partial\Omega, \tag{2.1}$$

其中 $F$ 与 $G$ 关于 $\xi$ 和 $s$ 二次连续可微，且满足一致单调性条件：存在与 $\varepsilon$ 无关的常数 $\alpha>0,\mu\ge 0$，使对几乎所有 $x,y$ 及任意 $\xi,s$ 有

$$\partial_{\xi\xi}^2 F(x,y,\xi)\succeq \alpha I_d,\quad \partial_{ss}^2 G(x,s)\ge \mu. \tag{2.3}$$

相应的能量泛函为

$$J^\varepsilon(v)=\int_\Omega\left[F(x,x/\varepsilon,\nabla v)+G(x,v)-fv\right]dx. \tag{2.2}$$

该类方程涵盖了具有振荡扩散系数（例如 $F$ 依赖于 $x/\varepsilon$）和非线性反应项（$G$ 关于 $s$ 非线性）的情形，是多尺度建模中的典型问题。

物理信息神经网络通过最小化 PDE 残差的某种范数来近似解，但常用的强形式损失需要计算 $\nabla\cdot(\partial_\xi F)$，这会对快速振荡系数 $x/\varepsilon$ 求导，从而放大高频分量。已有工作从不同角度指出了这种困难：Mishra 和 Molinaro [1] 建立了 PINNs 的泛化误差估计，但未刻画多尺度带来的退化；Gangal, Kim 和 Carney [5] 证明了强形式训练时神经正切核（NTK）的 $\varepsilon^{-2}$ 增长，表明参数空间中的动力学刚性；Marcondes [6] 则针对线性椭圆方程分析了随机弱残差的统计性质。然而，针对非线性方程，直接对有限样本下的强形式损失类本身的统计复杂度下界尚无结果，且变分形式是否能消除该恶化亦缺乏严格比较。

本文试图填补这一空白：通过有限样本经验 Rademacher 复杂度，精确刻画强形式残差、平方损失与变分能量在样本规模 $N$ 和振荡尺度 $\varepsilon$ 下的标度行为，证明存在一个“统计公式差距”——变分形式将复杂性从 $\varepsilon^{-1}$ 甚至 $\varepsilon^{-2}$ 降低至 $\varepsilon$ 无关。这一结果独立于优化器和网络架构，仅由 PDE 的弱形式与强形式之差别决定。

2. 主要定理或主要结果

本文包含三个主要理论贡献和一个数值验证。

  1. 变分神经求解器的端到端误差界（定理 2.4）：对满足假设 2.1 的非线性单调能量，采用边界兼容的有限特征模型 $v_\beta(x)=\beta^T z_m(x)$（$\|\beta\|_2\le R$），并通过随机采样构造经验能量 $\widehat{J}_N^\varepsilon$。以投影梯度下降训练参数 $\widehat{\beta}_K$，则对任意 $\delta\in(0,1)$，以概率至少 $1-\delta$ 有
$$\|\nabla(v_{\widehat{\beta}_K}-u^\varepsilon)\|_{L^2(\Omega)}^2 \le \frac{2}{\alpha}\left(A_m^\varepsilon + 2\Delta_{N,\delta} + \frac{2L_{\text{par}}R^2}{K}\right), \tag{2.22}$$

其中 $A_m^\varepsilon = \inf_{\|\beta\|_2\le R}(J^\varepsilon(v_\beta)-J^\varepsilon(u^\varepsilon))$ 是逼近误差，$\Delta_{N,\delta}$ 为显式的有限采样误差界（引理 2.3），$L_{\text{par}}$ 是能量关于参数 $\beta$ 的 Hessian 模的上界。$\Delta_{N,\delta}$ 与 $L_{\text{par}}$ 均与 $\varepsilon$ 无关，仅 $A_m^\varepsilon$ 隐含 $\varepsilon$。

  1. 一维非线性障碍的复杂度下界（定理 3.2）：考虑方程
$$-\frac{d}{dx}\left[a\left(\frac{x}{\varepsilon}\right)u'(x)\right]+u^3+u=0,\; u(0)=u(1)=0, \quad a(y)=2+\sin(2\pi y), \tag{1.2}$$

以及单参数试验函数族 $v_c(x)=c x(1-x),\, |c|\le\kappa$。若 $0<\varepsilon\le\varepsilon_0$ 且样本量 $N\ge N_\kappa(\delta)$，则至少以概率 $1-\delta$ 成立

$$\widehat{\mathcal{R}}_N(\mathcal{R}^\varepsilon) \ge \frac{\kappa\pi}{4\sqrt{3}}\frac{1}{\varepsilon\sqrt{N}},\qquad \widehat{\mathcal{R}}_N(\mathcal{L}^\varepsilon) \ge \frac{\kappa^2\pi^2}{48\sqrt{2}}\frac{1}{\varepsilon^2\sqrt{N}}. \tag{1.3}$$

其中 $\mathcal{R}^\varepsilon=\{r_c^\varepsilon: |c|\le\kappa\}$ 为强形式残差类，$\mathcal{L}^\varepsilon=\{(r_c^\varepsilon)^2: |c|\le\kappa\}$ 为平方损失类。与此同时，变分能量类 $\mathcal{E}^\varepsilon$ 的经验 Rademacher 复杂度有上界（命题 3.3）

$$\widehat{\mathcal{R}}_N(\mathcal{E}^\varepsilon) \le \left(\frac{49}{32}\kappa^2+\frac{1}{1024}\kappa^4\right)\frac{1}{\sqrt{N}}, \tag{3.17}$$

该上界与 $\varepsilon$ 无关。因此，统计公式差距比满足

$$\widehat{\mathcal{R}}_N(\mathcal{L}^\varepsilon) \ge C_\kappa \varepsilon^{-2}\widehat{\mathcal{R}}_N(\mathcal{E}^\varepsilon), \quad C_\kappa>0. \tag{3.18}$$
  1. 高维推广（命题 3.5）：通过张量积构造 $\phi_d(x)=\prod_{j=1}^d \psi(x_j)$ 和相应的振荡系数 $A^\varepsilon(x)=\operatorname{diag}(a(x_1/\varepsilon),1,\dots,1)$，上述障碍在任意空间维数 $d\ge 2$ 下以相同的 $\varepsilon^{-1}$ 和 $\varepsilon^{-2}$ 标度持续存在。

数值实验（表 1）对 $\kappa=1,N=1024$，利用精确的端点见证计算经验复杂度，得到拟合指数：强残差 0.9971，平方损失 1.9860，变分能量 $-0.0028$，与理论预测的 1, 2, 0 高度吻合。

3. 研究方法、关键技术和核心工具

本文主要的技术障碍在于直接针对强形式损失本身证明其样本复杂度的下界，而非通过 NTK 或参数空间的间接分析。为此，作者构造了精确的低维见证函数族，结合经验过程（Rademacher 复杂度）与集中不等式完成证明。关键创新点与工具如下。

1. 变分求解器的统一误差分解（第 2 节）

  • 障碍：将有限样本统计误差、优化误差与逼近误差分离，并要求所有稳定性常数不依赖于振荡尺度 $\varepsilon$。
  • 工具：
    • 能量强凸性（引理 2.2）：利用 $F$ 和 $G$ 的一致单调性，证明 $J^\varepsilon(v)-J^\varepsilon(u^\varepsilon)\ge \frac{\alpha}{2}\|\nabla(v-u^\varepsilon)\|_{L^2}^2$，从而将 $L^2$ 梯度误差转化为能量差。
    • 有限特征的参数化与 Lipschitz 控制：取 $v_\beta=\beta^T z_m(x)$，只需调节输出系数 $\beta$。通过定义 $B_0,B_1$ 控制 $v_\beta$ 与 $\nabla v_\beta$ 的 sup 模，进而通过 $M_F,L_F,M_G,L_G$ 控制能量被积函数 $h_\beta^\varepsilon$（(2.11)）关于 $\beta$ 的 Lipschitz 常数 $L_h$ 与一致界 $M_h$，且二者均不含 $\varepsilon$ 导数项（因只用到 $F,G$ 关于 $\xi,s$ 的导数，而非对 $y=x/\varepsilon$ 的导数）。
    • 采样误差的覆盖数论证（引理 2.3）：对参数球 $B_R^m$ 构造 $R/N$-网，并结合 Hoeffding 不等式与联合界，得到 $$\Delta_{N,\delta}=|\Omega|\left[\frac{2L_h R}{N}+M_h\sqrt{\frac{2(m\log(1+2N)+\log(2/\delta))}{N}}\right],$$ 该界与 $\varepsilon$ 无关。
    • 梯度下降的已知收敛速率：(2.20) $\widehat{j}_N^\varepsilon(\widehat{\beta}_K)-\min_{\beta\in B_R^m}\widehat{j}_N^\varepsilon(\beta)\le 2L_{\text{par}}R^2/K$，其中 $L_{\text{par}}$ 仅涉及 $L_F,B_1,L_G,B_0$，亦不依赖于 $\varepsilon$。 将上述三部分与能量强凸性结合即得定理 2.4。

2. 强形式统计恶化的直接下界（第 3 节）

  • 障碍：必须证明对任意样本，残差类本身（而非训练后的模型）的 Rademacher 复杂度就随 $\varepsilon$ 爆炸，这需要一致的下界。
  • 见证构造：选取最简单的零解 $u^\varepsilon\equiv0$ 和测试函数 $v_c(x)=c\psi(x)$，直接写出残差 $$r_c^\varepsilon(x)=c q^\varepsilon(x)+c^3\psi^3+c\psi,\; q^\varepsilon(x)=-\frac{1}{\varepsilon}a'\left(\frac{x}{\varepsilon}\right)\psi'(x)+2a\left(\frac{x}{\varepsilon}\right).$$ 关键项 $\frac{1}{\varepsilon}a'(x/\varepsilon)\psi'(x)$ 携带 $1/\varepsilon$ 因子，且振荡频率为 $\sim 1/\varepsilon$。
  • 振荡质量的采样鲁棒性（引理 3.1）：通过计算 $\int_0^1 \varepsilon^2 d_\varepsilon(x)^2 dx$（其中 $d_\varepsilon=r_\kappa^\varepsilon$），利用分部积分控制快速振荡项的积分：$\int_0^1 a'(x/\varepsilon)^2\psi'(x)^2 dx\ge \pi^2/3$ 对充分小的 $\varepsilon$。再结合 $(A+B)^2\ge A^2/2-B^2$ 与 $|b_\varepsilon|$ 的一致有界性，得到 $L^2$ 下界 $\int_0^1 \varepsilon^2 d_\varepsilon^2\ge \mu_\kappa$。然后因 $d_\varepsilon$ 有一致的 $\varepsilon$-无关上界，利用 Hoeffding 不等式证明采样后下界仍以高概率保持：$\frac{1}{N}\sum_{i=1}^N d_\varepsilon(X_i)^2 \ge \mu_\kappa/(2\varepsilon^2)$。
  • Rademacher 复杂度的下界（定理 3.2）：
    • 对于残差类，限制到 $c=\pm\kappa$ 两个函数，利用经验 Rademacher 复杂度的定义与 $p=1$ 的 Khintchine 不等式：$\mathbb{E}_\sigma|\sum_i\sigma_i d_\varepsilon(X_i)|\ge \frac{1}{\sqrt{2}}(\sum_i d_\varepsilon(X_i)^2)^{1/2}$，结合样本下界即得 $\widehat{\mathcal{R}}_N(\mathcal{R}^\varepsilon)\ge \frac{\sqrt{\mu_\kappa}}{\sqrt{2}\varepsilon\sqrt{N}}$。
    • 对于平方损失类，限制到 $c=0$ 和 $c=\kappa$，类似处理，使用 Khintchine 再应用 Cauchy–Schwarz 不等式：$(\sum_i d_i^4)^{1/2}\ge N^{-1/2}\sum_i d_i^2$，得到 $\widehat{\mathcal{R}}_N(\mathcal{L}^\varepsilon)\ge \frac{\mu_\kappa}{4\sqrt{2}\varepsilon^2\sqrt{N}}$。
  • 变分能量的上界（命题 3.3）：将能量被积函数写为 $c^2 A^\varepsilon + c^4 B$，其中 $A^\varepsilon$ 涉及 $a(x/\varepsilon)$ 但不含其导数，故 $\|A^\varepsilon\|_{L^\infty}\le 49/32$ 与 $\varepsilon$ 无关；$B\le 1/1024$。利用线性组合的 Rademacher 复杂度次可加性得整体 $O(N^{-1/2})$ 上界。

3. 高维推广（第 3.4 节）：利用张量积结构和分离变量，将一维分析直接平移到高维，核心估计仍依赖只在一个方向上出现振荡的事实，其他方向提供$L^2$范数的乘积因子，而下界依然成立。

这些工具的综合运用，使得本文能够从统计学习理论的角度严格分离出 PDE 的强形式与弱形式在多尺度问题中的本质差异。

4. 与之前工作的比较

本文与现有物理信息学习以及多尺度 PDE 数值分析的研究进行了多方面的对比，主要推进了以下方面：

1. 与 PINN 泛化误差分析的比较

  • 前人的代表性工作（如 Mishra 和 Molinaro [1]）为 PINN 提供了基于稳定性估计的泛化误差界，但通常要求 PDE 系数的光滑性或至少不出现快速振荡。本文明确处理系数在 $x/\varepsilon$ 处振荡的情形，证明了即使对于光滑但快速振荡的系数，强形式损失也会导致样本复杂度按 $\varepsilon^{-1}$ 或 $\varepsilon^{-2}$ 增长，而变分能量损失则完全避免了这一惩罚。

2. 与神经正切核分析的比较（Gangal, Kim, Carney [5]）

  • [5] 证明了在强形式训练下，NTK 的某个量以 $\varepsilon^{-2}$ 增长，表明参数空间中的条件数恶化，使得训练动力学变得刚性。作者明确指出，本文的结果与 NTK 具有结构性差异：NTK 依赖于当前参数状态和架构，反映局部优化行为；而本文的 Rademacher 复杂度下界是函数类本身的属性，独立于优化器、初始化和参数化，衡量的是均匀样本波动。因此，即使一个算法能克服 NTK 的病态，仍可能遭受本文所揭示的统计病态。作者强调：“$\varepsilon^{-2}$ NTK 增长并不蕴含我们的平方损失下界，反之亦然”。

3. 与随机弱残差方法的比较（Marcondes [6]）

  • Marcondes [6] 对线性椭圆方程使用随机测试函数实现 $H^{-1}$ 范数等价，并分析了随机变分 PINN。本文处理的是非线性方程，且直接比较了强形式与变分能量这两种常用物理损失。此外，[6] 侧重于提出一种有效的算法，而本文重点在于揭示不同公式之间的统计复杂性差距。

4. 与变分神经网络求解器（Deep Ritz 方法等）的比较

  • 现有变分方法的收敛性分析（如 Lu, Lu, Wang [4]）主要关注无振荡系数时高维问题的逼近误差和泛化误差，未涉及系数快速振荡所带来的统计困难。本文定理 2.4 给出的误差分解（逼近 + 采样 + 优化）将多尺度影响完全隔离在逼近误差 $A_m^\varepsilon$ 中，其余项均与 $\varepsilon$ 无关，这说明只要逼近能力足够，变分求解器的统计效率不会因尺度下降而退化。

5. 关于公式差距（formulation gap）

  • 作者首次提出“统计公式差距”的概念，并从理论和数值上验证：仅因 PDE 损失函数的形式不同，即可导致样本复杂度产生 $\varepsilon^{-2}$ 倍的鸿沟。这一差距并非源于网络结构或训练策略，仅源于对快速系数的微分操作。

6. 逼近误差 $A_m^\varepsilon$ 的单独存留

  • 作者特别指出，变分形式虽然去除了统计惩罚，但并未移除多尺度逼近问题本身。$A_m^\varepsilon$ 仍需通过两尺度架构或非线性校正逼近等专门工具才能得到控制，这为未来的神经网络设计保留了独立的研究方向。

7. 数值验证的独特性

  • 与多数工作进行的端到端 PDE 求解实验不同，本文的数值实验直接计算了理论证明中出现的经验 Rademacher 复杂度，精确复现了所预测的标度指数，从而强有力地支撑了纯分析结果。

了解领域论文（摘要翻译）

1. 使用杂交间断伽辽金方法的可压缩流动IMEX格式

IMEX Schemes for Compressible Flow using Hybridizable Discontinuous Galerkin Methods

作者: Jan Ellmenreich, Edmond K. Shehadi, Philip L. Lederer

类别: math.NA

发布日期: 2026-07-17

arXiv ID: 2607.16044v1

链接: http://arxiv.org/abs/2607.16044v1

摘要翻译

中文标题: 使用杂交间断伽辽金方法的可压缩流动IMEX格式

摘要翻译: 本文针对可压缩流动方程发展了一种几何分裂的隐式-显式（IMEX）框架，其中刚性区域通过隐式杂交间断伽辽金（HDG）方法处理，而非刚性区域则通过显式间断伽辽金（DG）方法处理。考察了两种隐式格式：混合HDG方法（HDG-MX）和原始变量内部惩罚HDG方法（HDG-IP）。隐式与显式解之间的空间耦合通过适当的界面条件以守恒方式实现，同时利用加性Runge-Kutta（ARK）格式维持时间同步。我们详细讨论了所得IMEX格式的计算性能。一系列数值实验的验证与确认表明，所提出的IMEX格式在空间和时间上均达到高阶精度。性能研究进一步表明，该方法能有效缓解由几何诱导的刚性，并且若隐式区域选取恰当，相对于全显式DG格式，可提供高达约50倍的加速。

2. 面向物理信息学习的可训练样条表示

Trainable Spline Representations for Physics-Informed Learning

作者: Giovanni Canali, Nicola Demo, Gianluigi Rozza

类别: cs.LG, math.NA

发布日期: 2026-07-17

arXiv ID: 2607.15751v1

链接: http://arxiv.org/abs/2607.15751v1

摘要翻译

中文标题: 面向物理信息学习的可训练样条表示

摘要翻译: 本文引入物理信息样条(PI-Splines),一种基于结构化的样条架构用于物理信息学习。PI-Splines不再用神经网络表示微分方程的解,而是通过具有可训练控制系数的张量积B样条展开直接参数化未知场。该公式保留了物理信息神经网络的基于残差的训练范式,同时提供紧支撑、显式光滑性控制、解析导数以及可训练参数的直接几何解释。当与样条表示相容时,边界条件可以通过固定合适的边界控制系数强施加。所提方法在多个难度递增的基准问题上进行了评估,并在匹配的控制方程、配置点集、损失项和优化过程下与标准物理信息框架进行了比较,以分离近似架构的影响。数值实验表明PI-Splines为神经物理信息架构提供了一种有竞争力且稳定的替代方案,特别是在需要结构化表示、局部性和参数效率的情形中。

3. 非对称内部惩罚DG离散中粘性旋转浅水方程的惩罚缩放效应

Penalty-scaling effects in nonsymmetric interior-penalty DG discretizations of viscous rotating shallow-water equations

作者: Xue Zhang, Jingmin Xia, Xu Qian

类别: math.NA

发布日期: 2026-07-17

arXiv ID: 2607.15643v1

链接: http://arxiv.org/abs/2607.15643v1

摘要翻译

中文标题: 非对称内部惩罚DG离散中粘性旋转浅水方程的惩罚缩放效应

摘要翻译: 我们研究了内部惩罚参数的缩放如何影响使用位势变量的粘性旋转浅水方程的非对称内部惩罚伽辽金（NIPG）离散。双曲项由局部Lax–Friedrichs通量逼近，而粘性通过惩罚律 $μ_e=σh_e^{-β}$ 作用于动量变量。将标准选择 $β=1$ 和超惩罚选择 $β=3$ 与对称内部惩罚伽辽金参考格式进行比较。对于扩散形式，我们建立了相容性，$β\ge 1$ 时的连续性，以及动量 DG 半范下的精确强制性恒等式。加工解测试表明，超惩罚可以恢复期望的动量 $L^2$ 精度，而耦合的位势变量不一定表现出同样的改善。旋转和含地形效应的测试进一步表明，对于此处考虑的显式实现，标准缩放通常给出较好的精度-代价折衷。

不相关论文（基本信息）

1. 基于拉普拉斯最优传输的聚类感知匹配

Cluster-Aware Matching via Laplacian Optimal Transport

作者: Gabriel Samberg, YoonHaeng Hur, Yuehaw Khoo, Nir Sharon

类别: stat.ML, cs.LG, math.NA, stat.ME

发布日期: 2026-07-17

arXiv ID: 2607.16178v1

链接: http://arxiv.org/abs/2607.16178v1

摘要: In many applications of matching, the point clouds to be matched are not merely unstructured sets of points but rather samples from distributions with an intrinsic cluster structure. In such cases, as individual points are often interchangeable within a coherent region, finding a robust region-to-region alignment is more desirable than establishing a precise point-to-point correspondence. To this end, we propose a novel approach for cluster-aware matching based on Laplacian Optimal Transport (LapOT). The key idea is to regularize the optimal transport problem with quadratic Laplacian terms constructed from similarity graphs of the point clouds, which encourages the optimal coupling to respect the cluster structure of both point sets. We also introduce Refined Simultaneous Clustering (RSC), a method that leverages the cluster-aware coupling obtained from LapOT to produce consistent partitions across the point sets, which can overcome the limitations of independent clustering and yield more stable and interpretable results. We demonstrate the effectiveness of our approach through theoretical analysis and empirical experiments, showing that LapOT indeed produces cluster-aware matching that leads to more consistent and meaningful alignments between point clouds.

2. 基于平均与噪声感知自适应 Bregman-Kaczmarz 的含噪数据加速精确恢复

Accelerated Exact Recovery from Noisy Data via Averaging and Noise-Aware Adaptive Bregman-Kaczmarz

作者: Lionel Tondji, Abakar A. Mahamat, Idriss Tondji

类别: math.NA, math.OC

发布日期: 2026-07-17

arXiv ID: 2607.16003v1

链接: http://arxiv.org/abs/2607.16003v1

摘要: The adaptive Bregman-Kaczmarz method recovers the exact, noise-free solution of a linear inverse problem even when every measurement it queries is corrupted, provided the corruption is fresh, independent and zero-mean. A block version was proposed for parallel hardware, but whether larger blocks actually converge faster was left open. We show the answer hinges on how the block is used: replacing the block sum with a block average collapses the analysis onto a single positive-semidefinite matrix, through which we prove that the guaranteed convergence improves monotonically with the batch size, with a total gain governed by the stable rank of the system matrix. We then address heterogeneous noise by introducing a noise-aware weighting that down-weights unreliable measurements, and prove it is strictly better than uniform weighting whenever the noise is not proportional to the row norms - a condition that essentially never holds in practice. The two improvements are compatible and their benefits combine. Finally, we show the adaptive step size interpolates automatically between a fast initial phase and a slowly vanishing tail that carries the error exactly to zero, and we explain how its hyperparameters can be estimated without knowing the true solution. Numerical experiments under sparse, heterogeneous noise illustrate these findings and confirm that the heuristic estimates produce effective step sizes.

3. 针对具有不可微和超线性漂移系数的随机微分方程的投影漂移随机化米尔斯坦方法

A Projected Drift-Randomized Milstein Method for SDEs with Non-differentiable and Super-linear Drift Coefficients

作者: Shuai Wang

类别: math.NA

发布日期: 2026-07-17

arXiv ID: 2607.15934v1

链接: http://arxiv.org/abs/2607.15934v1

摘要: We propose a projected drift-randomized Milstein (PRM) method for stochastic differ ential equations with non-differentiable and super-linearly growing drift coefficients. The method extends the randomized Milstein approach beyond the globally Lipschitz setting by incorporating a drift projection into the randomized quadrature approximation. Moreover, unlike existing first-order Milstein-type methods for SDEs with super-linearly growing drift coefficients, the proposed method does not require spatial differentiability of the drift coefficient. Under suitable polynomial Lipschitz and one-sided Lipschitz conditions on the drift, together with standard regularity assumptions on the diffusion, we establish a one-step mean-square stability estimate and derive the required local residual bounds. These esti mates yield first-order strong convergence of the PRM method in the L2-sense. Numerical experiments confirm the theoretical convergence rate and demonstrate the applicability of the method to SDEs with non-differentiable and super-linearly growing drifts.

4. 随机 Erdős–Rényi 图上能量景观的超度量组织：障碍层级结构的拓扑起源

Ultrametric organization of energy landscapes on random Erdős–Rényi graphs: topological origin of barrier hierarchy

作者: A. P. Zubarev

类别: cond-mat.stat-mech, cond-mat.dis-nn, math.NA

发布日期: 2026-07-17

arXiv ID: 2607.15902v1

链接: http://arxiv.org/abs/2607.15902v1

摘要: We investigate the ultrametric organization of energy landscapes defined on sparse random Erdős–Rényi graphs. Each graph vertex is assigned a random free energy from a uniform distribution over an interval of width $ΔF$, and the kinetics are modeled by a Markov process with Kramers transition rates. Using spectral decomposition of the rate matrix, we construct a kinetic Mahalanobis metric between basins of attraction. Computational experiments for graphs with $V=5000$ vertices and $E=5000$ edges show that the degree of nontrivial ultrametricity increases monotonically from $\approx42\%$ for $ΔF=10$ kJ/mol to $\approx96\%$ for $ΔF=1000$ kJ/mol. We prove a limit theorem: as $ΔF\to\infty$, the logarithmic asymptotics of this metric converge pointwise to the classical single-linkage ultrametric. For finite $ΔF$, corrections from suboptimal paths are exponentially suppressed with increasing $ΔF$, so that the metric becomes asymptotically ultrametric. Our results suggest that ultrametricity is a universal property of sparse, locally tree-like networks with rugged energy landscapes in the limit of large energy spreads.

5. 从稀疏边界测量重构热方程中的测度值源项

Recovery of a Measure-valued Source in the Heat Equation from Sparse Boundary Measurements

作者: Ulysse Dalmasso, Siyu Cen, Yavar Kian

类别: math.AP, math.NA

发布日期: 2026-07-17

arXiv ID: 2607.15841v1

链接: http://arxiv.org/abs/2607.15841v1

摘要: This article is devoted to the inverse source problem of uniquely determining a measure-valued source from sparse boundary measurements. The measurements considered consist of flux observations over a time interval at two distinct points on the boundary of the domain. The main objective of this work is to extend the existing literature on inverse source problems from sparse boundary measurements, which has so far been limited to point sources or L2 sources, to the identification of a general class of Radon measures. Our approach combines several analytical tools, including regularity properties, boundary representations, and the time analyticity of solutions to the diffusion equation with singular sources. Our theoretical analysis is complemented by a numerical study of the problem. In particular, we investigate the reconstruction of point sources and of a source supported on a curve, and present numerical experiments illustrating the recovery of such sources from sparse boundary flux measurements.

6. 一次性系统辨识的0-1律

A zero-one law for one-shot system identification

作者: Nicolas Boullé, Diana Halikias, Samuel E. Otto, Alex Townsend

类别: math.NA, cs.LG, math.DS

发布日期: 2026-07-17

arXiv ID: 2607.15832v1

链接: http://arxiv.org/abs/2607.15832v1

摘要: Can a model be identified from one experiment? We study analytic systems that are linearly parameterized by a combination of prescribed dictionary terms, such as partial differential operators and dynamical systems. For a single input-response pair, recovery is possible exactly when the evaluated dictionary terms are linearly independent. We prove a sharp zero-one law: either no input uniquely determines the coefficients, or almost every random input sampled from a nondegenerate Gaussian measure does. This dichotomy reduces one-shot system identification to a question about degenerate inputs and provides an a posteriori certificate for any recovered model. Numerical examples recover dynamical systems, nonlinear partial differential equations, and structured matrix families from single trajectory data, while also detecting when an extra probe is necessary.

7. CoG引导的权重校正用于容错深度神经网络

CoG-Guided Weight Correction for Fault-Tolerant Deep Neural Networks

作者: Bahram Parchekani, Samira Nazari, Ali Azarpeyvand, Mohammad Hasan Ahmadilivani, Tara Ghasempouri, Jaan Raik

类别: cs.LG, cs.AR, math.NA

发布日期: 2026-07-17

arXiv ID: 2607.15753v1

链接: http://arxiv.org/abs/2607.15753v1

摘要: Deep Neural Networks (DNNs) used in safety-critical applications are vulnerable to hardware and memory faults that corrupt network weights and degrade reliability. In this paper, we propose a Center of Gravity (CoG) guided weight correction method that restores faulty weights based on their spatial characteristics within each layer. The proposed approach detects and corrects weight faults using distance-aware correction rules, eliminating the need for retraining or architectural modification. The effectiveness of the proposed method in terms of the capability of tolerating hardware faults has been evaluated through performing fault injection at different Bit Error Rates (BERs). Experiments on safety-critical LSTM-based Networks, including StageNet for disease progression tracking and MTFNet for cardiac anomaly detection, demonstrate fault tolerance improvements of up to 230x and 6.41x, respectively, at a BER of 10^{-3}, with negligible accuracy loss. When extended to Convolutional Neural Networks (CNNs), the method achieves up to 49.55x and 20.79x improvements under comparable fault conditions on ResNet-18 and VGG-16, respectively. To the best of our knowledge, this is the first work to apply the CoG concept to neural network weight tensors for enhancing model reliability.

8. 埃尔米特矩阵多项式的快速稳定性检验

Fast stability tests for Hermitian matrix polynomials

作者: Vanni Noferini, Xuzhou Zhan

类别: math.NA

发布日期: 2026-07-17

arXiv ID: 2607.15636v1

链接: http://arxiv.org/abs/2607.15636v1

摘要: Assessing the asymptotic stability of linear self-adjoint homogeneous systems of differential-algebraic equations requires testing the Hurwitz stability of the associated Hermitian matrix polynomial $P(λ)$. Tests for known necessary and sufficient conditions rely on linearizations and eigensolvers, solving matrix equations and testing matrix inequalities, or generalized Bézoutians, and scale with either $O(d^2 n^3)$ or $O(d^3n^3)$ complexity, where $d$ and $n$ are the degree and size of $P(λ)$, respectively. We establish several novel sufficient conditions for stability, based on the numerical range of $P(λ)$. Based on the new results, we propose algorithms with $O(d n^3)$ asymptotic complexity. Our methods rely on very efficient core numerical linear algebra routines, such as the Cholesky decomposition of $n \times n$ matrices or the computation of the largest eigenvalue of $n \times n$ definite pencils. Therefore, a significant computational advantage can be expected in favor of the proposed approach even for moderate values of $d$ or $n$, and we verify this with numerical experiments.

9. RCLUPPr：一种带有LU预条件的新型随机CholeskyQR

RCLUPPr: a new randomized CholeskyQR with LU preconditioning

作者: Haoran Guan, Zhenyu Zou, Yufeng Wei, Yipei Chen, Peiting You, Yuwei Fan

类别: math.NA

发布日期: 2026-07-17

arXiv ID: 2607.15561v1

链接: http://arxiv.org/abs/2607.15561v1

摘要: In this work, we present the comprehensive rounding error analysis of RCLUPPr proposed in \cite{RCLUPP}, which is a novel randomized CholeskyQR-type algorithm performing LU decomposition with partial pivoting (LUPP decomposition) directly on the tall-skinny $X\in\mathbb{R}^{m\times n}$ with $m \ge n$ and $\mbox{rank}(X)=n$. In contrast to the existing RCLUPP in \cite{RCLUPP}, which applies matrix sketching before LUPP decomposition, RCLUPPr places LUPP decomposition as a preconditioning step first, significantly reducing error propagation. Our analysis rigorously proves that RCLUPPr enjoys markedly better applicability to the ill-conditioned matrices than the existing CholeskyQR-type algorithms and remains stable and accurate in the mixed-precision arithmetic. We further propose practical acceleration strategies in the real implementations of RCLUPPr. Extensive numerical experiments on the real-world problems confirm the theoretical results in this work, demonstrating the robustness and practicality of RCLUPPr in the single, double, and the mixed-precision architecture.

10. 通过扰动保持记忆压缩的快速可扩展卡普托分数阶梯度下降

Fast and Scalable Caputo Fractional Gradient Descent via Perturbation-Preserving Memory Compression

作者: Hwanseo Lee, Junseo Lee, Hyunju Kim

类别: math.OC, cs.LG, cs.NE, math.NA

发布日期: 2026-07-16

arXiv ID: 2607.15505v1

链接: http://arxiv.org/abs/2607.15505v1

摘要: Fractional gradient descent (FGD) incorporates long-range memory through Caputo-type operators and has been shown to improve stability in ill-conditioned and nonconvex optimization problems. Despite these advantages, its practical use remains limited, mainly due to the high computational cost of evaluating history-dependent convolutions, which scales quadratically with the number of iterations. In this paper, we focus on making Caputo-based optimization computationally viable without sacrificing its intrinsic memory structure. We begin by expressing the fractional descent direction as a discrete convolution over past gradients, which provides a unified view of the method. Based on this formulation, we introduce two complementary mechanisms to reduce the cost of the memory term. The first uses a sum-of-exponentials (SOE) approximation of the power-law kernel, leading to efficient recursive updates. The second approach, newly proposed in this paper as dyadic hierarchical discrete convolution (DHDC), compresses the gradient history through a multiscale aggregation strategy. Rather than treating these approximations as purely numerical accelerations, we interpret them as perturbations of the ideal Caputo operator. This viewpoint allows us to analyze how the compressed memory affects the optimization dynamics. Under standard $μ$-strong convexity and $L$-smoothness assumptions, we show that the resulting method still exhibits monotone descent and linear convergence, provided that the approximation error remains controlled.

11. 短球面 $t$-设计曲线

Short spherical $t$-design curves

作者: Emily J. King, Dustin G. Mixon

类别: math.CO, math.MG, math.NA

发布日期: 2026-07-16

arXiv ID: 2607.15386v1

链接: http://arxiv.org/abs/2607.15386v1

摘要: We study the minimum arclength of spherical $t$-design curves, i.e., closed rectifiable curves on $S^d$ whose normalized arclength measure exactly integrates every polynomial of degree at most $t$. We prove an explicit spectral lower bound that is sharp for $t=1$ in all spheres and for $t=2$ in every odd-dimensional sphere, yielding the first exact optimality results for spherical $t$-design curves with $t>1$. For even-dimensional spheres, we construct $2$-design curves whose lengths asymptotically match the lower bound as $d\to\infty$, and in $S^2$, we use numerical optimization and the calculus of variations to derive a candidate for the shortest $2$-design curve.