La estabilidad de los métodos de descomposición aditiva para la ecuación de Schrödinger no lineal generalizada
Autores: Amiranashvili, Shalva; Bandelow, Uwe; iegis, Raimondas
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
La estabilidad de los métodos de descomposición aditiva para la ecuación de Schrödinger no lineal generalizada
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Enfoque eficiente
Ecuaciones de onda evolutivas
Dispersivas
Efectos no lineales
Inestabilidades numéricas
Descomposiciones aditivas
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 23
Citaciones: Sin citaciones
Los métodos de división proporcionan un enfoque eficiente para resolver ecuaciones de ondas evolutivas, especialmente en situaciones donde los efectos dispersivos y no lineales en la propagación de ondas pueden separarse, como en la ecuación generalizada de Schrödinger no lineal (GNLSE). Sin embargo, dichos métodos son explícitos y pueden conducir a inestabilidades numéricas. Estudiamos estas inestabilidades en el contexto de la GNLSE. Los resultados obtenidos previamente para métodos de división multiplicativos se extienden a divisiones aditivas. Se deriva y prueba una estimación del mayor paso de integración posible. Los resultados son importantes cuando se necesitan muchas soluciones de GNLSE, por ejemplo, en problemas de optimización o cálculos estadísticos.
Descripción
Los métodos de división proporcionan un enfoque eficiente para resolver ecuaciones de ondas evolutivas, especialmente en situaciones donde los efectos dispersivos y no lineales en la propagación de ondas pueden separarse, como en la ecuación generalizada de Schrödinger no lineal (GNLSE). Sin embargo, dichos métodos son explícitos y pueden conducir a inestabilidades numéricas. Estudiamos estas inestabilidades en el contexto de la GNLSE. Los resultados obtenidos previamente para métodos de división multiplicativos se extienden a divisiones aditivas. Se deriva y prueba una estimación del mayor paso de integración posible. Los resultados son importantes cuando se necesitan muchas soluciones de GNLSE, por ejemplo, en problemas de optimización o cálculos estadísticos.