Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > math > arXiv:2510.01779v1

帮助 | 高级搜索

数学 > 偏微分方程分析

arXiv:2510.01779v1 (math)
[提交于 2025年10月2日 ]

标题: 斯特里哈特和色散估计用于量子弹跳球模型:一维半经典薛定谔方程中的指数和与范德科亨方法

标题: Strichartz and dispersive estimates for quantum bouncing ball model: exponential sums and Van der Corput methods in 1d semi-classical Schrödinger equations

Authors:Oana Ivanovici (LJLL)
摘要: 我们分析半直线上的二维经典薛定谔方程,具有线性势和狄利克雷边界条件。 我们的主要重点是为这个模型建立改进的色散和斯特里查茨估计,这些估计控制解的空间时间行为。 我们使用范德科普特型导数测试证明了改进的斯特里查茨界,克服了之前已知的结果中斯特里查茨估计出现1/4损失的情况。 此外,在假设某些指数和的尖锐界限的前提下,我们的结果表明,这些损失可以进一步减少到$1/6 + \epsilon$对于所有$\epsilon>0$,这将是尖锐的。 我们进一步期望在更高维度的弗里德兰德模型区域内,类似的斯特里查茨界也应该成立。
摘要: We analyze the one-dimensional semi-classical Schr\"odinger equation on the half-line with a linear potential and Dirichlet boundary conditions. Our main focus is on establishing improved dispersive and Strichartz estimates for this model, which govern the space-time behavior of solutions. We prove refined Strichartz bounds using Van der Corput-type derivative tests, beating previous known results where Strichartz estimates incur 1/4 losses. Moreover, assuming sharp bounds for certain exponential sums, our results indicate the possibility to reduce these losses further to $1/6 + \epsilon$ for all $\epsilon>0$, which would be sharp. We further expect that analogous Strichartz bounds should hold within the Friedlander model domain in higher dimensions.
主题: 偏微分方程分析 (math.AP) ; 数论 (math.NT)
引用方式: arXiv:2510.01779 [math.AP]
  (或者 arXiv:2510.01779v1 [math.AP] 对于此版本)
  https://doi.org/10.48550/arXiv.2510.01779
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Oana Ivanovici [查看电子邮件]
[v1] 星期四, 2025 年 10 月 2 日 08:13:56 UTC (48 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • TeX 源代码
查看许可
当前浏览上下文:
math.AP
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-10
切换浏览方式为:
math
math.NT

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号