For the solution of the cubic nonlinear Schr\"odinger equation in one space dimension, we propose and analyse a fully discrete low-regularity integrator. The scheme is explicit and can easily be implemented using the fast Fourier transform with a complexity of $\mathcal{O}(N\log N)$ operations per time step, where $N$ denotes the degrees of freedom in the spatial discretisation. We prove that the new scheme provides an $\mathcal{O}(\tau^{\frac32\gamma-\frac12-\varepsilon}+N^{-\gamma})$ error bound in $L^2$ for any initial data belonging to $H^\gamma$, $\frac12<\gamma\leq 1$, where $\tau$ denotes the temporal step size. Numerical examples illustrate this convergence behavior.


翻译:对于一个空间维度中的立方非线性 Schr\“ odinger 方程式的解决方案, 我们提议并分析一个完全离散的低常规集成器。 这个方案很明确, 并且可以很容易地使用快速的 Fourier 变换, 复杂度为 $mathcal{O}( N\log N) 操作每时步 $\ mathcal{O} ( N\log N), 其中美元表示空间离散的自由度 。 我们证明新方案提供了$\ mathcal{ O} (\\\\\\\\ frac32\ gamma-\ frac12\ varepsilon\\\\\\\\\\\\\\\\\\\\\\ gamma}) $( $\ $\\\\\\\\\ gamma\ $\ $) $的初始数据。 我们证明新方案提供了一个$\\ tau 表示时间大小的自由度的组合行为。

0
下载
关闭预览

相关内容

专知会员服务
50+阅读 · 2020年12月14日
专知会员服务
23+阅读 · 2020年9月15日
因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
《DeepGCNs: Making GCNs Go as Deep as CNNs》
专知会员服务
30+阅读 · 2019年10月17日
已删除
AI掘金志
7+阅读 · 2019年7月8日
深度卷积神经网络中的降采样
极市平台
12+阅读 · 2019年5月24日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
条件GAN重大改进!cGANs with Projection Discriminator
CreateAMind
8+阅读 · 2018年2月7日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
可解释的CNN
CreateAMind
17+阅读 · 2017年10月5日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
Arxiv
14+阅读 · 2020年12月17日
VIP会员
相关VIP内容
相关资讯
已删除
AI掘金志
7+阅读 · 2019年7月8日
深度卷积神经网络中的降采样
极市平台
12+阅读 · 2019年5月24日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
条件GAN重大改进!cGANs with Projection Discriminator
CreateAMind
8+阅读 · 2018年2月7日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
可解释的CNN
CreateAMind
17+阅读 · 2017年10月5日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
Top
微信扫码咨询专知VIP会员