We establish the uniform error bound of an exponential wave integrator Fourier pseudospectral (EWI-FP) method for the long-time dynamics of the nonlinear Schr\"odinger equation with wave operator (NLSW), in which the strength of the nonlinearity is characterized by $\varepsilon^{2p}$ with $\varepsilon \in (0, 1]$ a dimensionless parameter and $p \in \mathbb{N}^+$. When $0 < \varepsilon \ll 1$, the long-time dynamics of the problem is equivalent to that of the NLSW with $O(1)$-nonlinearity and $O(\varepsilon)$-initial data. The NLSW is numerically solved by the EWI-FP method which combines an exponential wave integrator for temporal discretization with the Fourier pseudospectral method in space. We rigorously establish the uniform $H^1$-error bound of the EWI-FP method at $O(h^{m-1}+\varepsilon^{2p-\beta}\tau^2)$ up to the time at $O(1/\varepsilon^{\beta})$ with $0 \leq \beta \leq 2p$, the mesh size $h$, time step $\tau$ and $m \geq 2$ an integer depending on the regularity of the exact solution. Finally, numerical results are provided to confirm our error estimates of the EWI-FP method and show that the convergence rate is sharp.


翻译:我们建立了指数波积分器傅里叶伪谱(EWI-FP)方法的均匀误差界,用于求解非线性薛定谔方程的长时间动力学,其中非线性度量由 $\varepsilon^{2p}$ 表示,其中 $\varepsilon \in (0, 1]$ 是一个无量纲参数,$p \in \mathbb{N}^+$。当 $0 < \varepsilon \ll 1$ 时,问题的长时间动力学等价于具有 $O(1)$-非线性度和 $O(\varepsilon)$-初始数据的非线性薛定谔方程。非线性薛定谔方程通过将指数波积分器用于时间离散化,并在空间中使用Fourier伪谱法来进行数值求解。我们在 $O(h^{m-1}+\varepsilon^{2p-\beta}\tau^2)$ 的时间上从严格的角度建立了EWI-FP方法的均匀 $H^1$-误差界,最终时间为 $O(1/\varepsilon^{\beta})$,其中 $0 \leq \beta \leq 2p$,网格大小为 $h$,时间步长为 $\tau$ 和 $m \geq 2$ 是一个取决于解的正则性的整数。最后,我们提供了数值结果,以确认EWI-FP方法的误差估计,并显示收敛速率为最优。

0
下载
关闭预览

相关内容

【硬核书】矩阵代数基础,248页pdf
专知会员服务
85+阅读 · 2021年12月9日
【2021新书】高阶网络,150页pdf,Higher-Order Networks
专知会员服务
87+阅读 · 2021年11月26日
专知会员服务
50+阅读 · 2020年12月14日
 【SIGGRAPH 2020】人像阴影处理,Portrait Shadow Manipulation
专知会员服务
28+阅读 · 2020年5月19日
图神经网络理论基础 | 谱图理论 Ch1: Introduction
图与推荐
1+阅读 · 2022年8月18日
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
征稿 | International Joint Conference on Knowledge Graphs (IJCKG)
开放知识图谱
2+阅读 · 2022年5月20日
图机器学习 2.2-2.4 Properties of Networks, Random Graph
图与推荐
10+阅读 · 2020年3月28日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
深度自进化聚类:Deep Self-Evolution Clustering
我爱读PAMI
15+阅读 · 2019年4月13日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12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
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
VIP会员
相关资讯
图神经网络理论基础 | 谱图理论 Ch1: Introduction
图与推荐
1+阅读 · 2022年8月18日
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
征稿 | International Joint Conference on Knowledge Graphs (IJCKG)
开放知识图谱
2+阅读 · 2022年5月20日
图机器学习 2.2-2.4 Properties of Networks, Random Graph
图与推荐
10+阅读 · 2020年3月28日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
深度自进化聚类:Deep Self-Evolution Clustering
我爱读PAMI
15+阅读 · 2019年4月13日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12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
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
Top
微信扫码咨询专知VIP会员