We establish improved uniform error bounds on time-splitting methods for the long-time dynamics of the Dirac equation with small electromagnetic potentials characterized by a dimensionless parameter $\varepsilon\in (0, 1]$ representing the amplitude of the potentials. We begin with a semi-discritization of the Dirac equation in time by a time-splitting method, and then followed by a full-discretization in space by the Fourier pseudospectral method. Employing the unitary flow property of the second-order time-splitting method for the Dirac equation, we prove uniform error bounds at $C(t)\tau^2$ and $C(t)(h^m+\tau^2)$ for the semi-discretization and full-discretization, respectively, for any time $t\in[0,T_\varepsilon]$ with $T_\varepsilon = T/\varepsilon$ for $T > 0$, which are uniformly for $\varepsilon \in (0, 1]$, where $\tau$ is the time step, $h$ is the mesh size, $m\geq 2$ depends on the regularity of the solution, and $C(t) = C_0 + C_1\varepsilon t\le C_0+C_1T$ grows at most linearly with respect to $t$ with $C_0\ge0$ and $C_1>0$ two constants independent of $t$, $h$, $\tau$ and $\varepsilon$. Then by adopting the regularity compensation oscillation (RCO) technique which controls the high frequency modes by the regularity of the solution and low frequency modes by phase cancellation and energy method, we establish improved uniform error bounds at $O(\varepsilon\tau^2)$ and $O(h^m +\varepsilon\tau^2)$ for the semi-discretization and full-discretization, respectively, up to the long-time $T_\varepsilon$. Numerical results are reported to confirm our error bounds and to demonstrate that they are sharp. Comparisons on the accuracy of different time discretizations for the Dirac equation are also provided.


翻译:我们为Dirac方程式的长期时间分解方法建立更好的统一错误约束。 使用二阶时间分解法的单流属性, 以无维度参数 $\varepsilon\ in (0, 1美元) 代表潜力的振幅。 我们从半分解Dirac方程式的半分解开始, 之后又用 Freyer 伪光谱法在空间中完全分解。 使用二阶时间分解法的单流属性, 用于Dirac方程式的小型电磁潜能, 我们证明, 以无维度参数 $( 0, 2美元) 和 美元( 美元) 代表半分解和完全分解, 以美元( 0, 1美元) 和 美元( 美元) 以平价法的平价, 以2美元 和 平价的平价 。

0
下载
关闭预览

相关内容

神经常微分方程教程,50页ppt,A brief tutorial on Neural ODEs
专知会员服务
70+阅读 · 2020年8月2日
《常微分方程》笔记,419页pdf
专知会员服务
71+阅读 · 2020年8月2日
Python图像处理,366页pdf,Image Operators Image Processing in Python
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
无监督元学习表示学习
CreateAMind
27+阅读 · 2019年1月4日
已删除
将门创投
5+阅读 · 2018年3月21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
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
Arxiv
0+阅读 · 2022年2月10日
Arxiv
0+阅读 · 2022年2月9日
Arxiv
3+阅读 · 2017年12月14日
VIP会员
相关VIP内容
神经常微分方程教程,50页ppt,A brief tutorial on Neural ODEs
专知会员服务
70+阅读 · 2020年8月2日
《常微分方程》笔记,419页pdf
专知会员服务
71+阅读 · 2020年8月2日
Python图像处理,366页pdf,Image Operators Image Processing in Python
相关资讯
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
无监督元学习表示学习
CreateAMind
27+阅读 · 2019年1月4日
已删除
将门创投
5+阅读 · 2018年3月21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
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