In this paper, we analyze the convergence of the operator-compressed multiscale finite element method (OC MsFEM) for Schr\"{o}dinger equations with general multiscale potentials in the semiclassical regime. In the OC MsFEM the multiscale basis functions are constructed by solving a constrained energy minimization. Under a mild assumption on the mesh size $H$, we prove the exponential decay of the multiscale basis functions so that localized multiscale basis functions can be constructed, which achieve the same accuracy as the global ones if the oversampling size $m = O(\log(1/H))$. We prove the first-order convergence in the energy norm and second-order convergence in the $L^2$ norm for the OC MsFEM and super convergence rates can be obtained if the solution possesses sufficiently high regularity. By analysing the regularity of the solution, we also derive the dependence of the error estimates on the small parameters of the Schr\"{o}dinger equation. We find that the OC MsFEM outperforms the finite element method (FEM) due to the super convergence behavior for high-regularity solutions and weaker dependence on the small parameters for low-regularity solutions in the presence of the multiscale potential. Finally, we present numerical results to demonstrate the accuracy and robustness of the OC MsFEM.


翻译:在本文中,我们分析了操作者-压缩的多级限量元素法(OC MsFEM)对于Schr\"{o}dinger 等式的趋同性(OC MsFEM)对于半古典制度具有一般的多级潜力。在OC MsFEM中,多级基础功能是通过解决限制的能源最小化来构建的。在对网格大小的轻微假设下,我们证明多级功能的指数衰减,这样就能够构建本地化的多级功能,如果超标大小为$m = O(\log(1/H)),这些功能的精确度与全球的相同。我们证明,在能源规范方面,第一级趋同性和第二级的趋同性($2美元规范)对于OC MsmEMm 的趋同性,如果解决方案具有足够高的规律性,则可以实现多级化。通过分析解决方案的规律性,我们还可以得出误算对Schr\\"{o}dinger等式小参数的依赖性。我们发现,OC MsFEM 的精确度方法比有限的要素方法(FEM)优于目前对高级的可靠度的可靠度,最终的超级的精确度,从而显示高度的超度的超度的超度的多级反应。

0
下载
关闭预览

相关内容

机器学习系统设计系统评估标准
【图与几何深度学习】Graph and geometric deep learning,49页ppt
【ICML2020】机器学习无参数在线优化,294页ppt
专知会员服务
54+阅读 · 2020年8月1日
【斯坦福】凸优化圣经- Convex Optimization (附730pdf下载)
专知会员服务
220+阅读 · 2020年6月5日
“CVPR 2020 接受论文列表 1470篇论文都在这了
19篇ICML2019论文摘录选读!
专知
28+阅读 · 2019年4月28日
人工智能 | UAI 2019等国际会议信息4条
Call4Papers
6+阅读 · 2019年1月14日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
VIP会员
相关VIP内容
Top
微信扫码咨询专知VIP会员