一直以来,可积系统理论作为描述自然现象的重要工具,是数学物理领域的前沿和热点. 传统的可积模型基于局域相互作用假设,仅依赖当前时刻或局域空间点的状态,无法描述多域关联效应. 近年来人们发现某些自然现象关联于不同时空域内具有相互作用的多重事件,而非局限于单一局域事件. 非局域可积系统通过引入PT对称项为此类现象提供了数学与物理双重维度的刻画. 经典的PT对称来源于非Hermite量子力学,表示系统在时间和空间宇称对称作用下保持不变. 近些年PT对称被推广到了光学,Ablowitz和Musslimani通过引入非局域量得到了非局域非线性薛定谔(NLS) 方程,用来描述非线性PT对称介质中波的传播[1]. 该方程的构造也引起了国际上专家们广泛关注,非局域的dNLS方程、mKdV方程、sine-Gordon方程、DS方程等系统被提出并深入研究[2-8].
对于非局域可积系统,常见的求解方法有反散射方法[9]、达布变换[10-12] 与双线性方法[13, 14] 等,构造了孤子解、呼吸子解、怪波解等结构. 众所周知,非局域NLS方程等诸多非局域系统均源自Ablowitz-Kaup-Newell-Suger (AKNS) 系统的约化,由此在AKNS系统的解结构上直接施加相关非局域约化条件是比较便捷的求解方式. 基于此原理,通过将AKNS系统的双Wronskian解进行约化,文献[15] 系统推导了一类非局域方程精确解的双Wronskian形式,随后进一步应用于非局域连续型[16] 与半离散型[17] 非线性薛定谔方程. 文献[18] 通过从AKNS方程的Cauchy矩阵型解的非局域约化导出了非局域NLS方程的Cauchy矩阵解. 除了上述传统的方法,近些年人工智能技术兴起,学者们基于深度学习理论提出了物理信息神经网络(PINN) 算法,构造了许多非局域可积系统的多孤子、怪波、呼吸子,孤子分子等解及其动力学行为[19-22].
双微分分次代数是满足分次Leibniz法则的双复形. 文献[23] 通过该代数中线性导子的不同选择,导出了Toda方程、KP方程、Yang-Mills方程等非交换可积系统. 在该框架下, 目前已建立了构造守恒律[24]、双哈密顿结构[25]、达布变换[26] 等理论体系. 此外Dimakis和Müller-Hoissen利用直接线性方法,给出了构造精确解的系统性方法[27, 28]. 然而双微分分次代数理论基础是非交换的算子运算,将其转化为可交换的函数运算是该框架的难点. 这也导致其适用性没有其他方法这么广泛,目前该方法对于非局域系统的研究也非常少.
本文基于文献[28] 中非交换非线性薛定谔方程的相关结果,通过约化方法导出了非局域NLS方程(2.12)和(2.13),包含时间反演、空间反演、时空反演形式. 利用直接线性方法,通过Sylvester方程的若尔当块和对角矩阵解给出原方程的若尔当块解与多孤子解.
定义2.1 我们称$ (\Omega, d, \bar{d}) $为双微分分次代数, 如果对于分次代数$ \Omega $和两个线性映射$ d $, $ \bar{d} $: $ \Omega^s\to \Omega^{s+1} $满足性质
以及分次Leibniz法则
对于所有的$ w\in\Omega^s $和$ w\prime\in\Omega $成立.
在此基础上,我们选择合适的$ d,\bar{d} $使得方程
和
与许多可积方程有对应关系. 而$ ( \bar{d}g)g^{-1}=d\phi $是方程(2.3)和(2.4)的Miura变换, 建立了两者联系.
基于任意的代数$ \mathcal{A} $, 我们可以构造分次代数$ \Omega=\mathcal{A}\otimes\wedge\left(\mathbb{C}^N\right) $, 其中$ \wedge\left(\mathbb{C}^N\right) $表示$ \mathbb{C}^N(N>1) $的外代数, 其最高次是$ N $. 对于给定的代数$ \mathcal{B} $, $ Mat(N_1,N_2,\mathcal{B}) $表示基于代数$ \mathcal{B} $的$ N_1\times N_2 $矩阵, $ Mat_{N_0}(\mathcal{B}) $表示$ \oplus_{N_1,N_2>N_0}Mat(N_1,N_2,\mathcal{B}) $.
设$ \mathcal{B}_0 $为$ \mathbb{C}^2 $上所有光滑函数的代数, 我们通过引入$ x,t $的偏导, 将代数$ \mathcal{B}_0 $延拓到非交换代数$ \mathcal{B} $, 进而构造了$ \Omega=\mathcal{A}\otimes\wedge\left(\mathbb{C}^N\right) $,$ \mathcal{A}=Mat_2(\mathcal{B}) $. 对于任意的$ f\in \Omega $, 定义$ d,\overline d $为:
其中$ \zeta_i (i=1, 2) $表示在$ \wedge(\mathbb{C}^N) $上的一组基, $ J=\left( \begin{array}{cc} 1 & 0 \\ 0 & -1\\ \end{array} \right) $, $ \mathrm{i}^2=-1 $. 方程(2.3)则可约化为以下形式
设$ \phi $为
其中$ p, q, \overline p, \overline q $为关于$ x,t $的函数, 方程(2.6)为
化简得到
其中
其Lax对为
若令$ \overline q=\delta q(\epsilon x,-t), \epsilon^2=1 $, 系统(2.8)可等价为非局域NLS方程
同样地,若取$ \overline q=\delta q^*(\epsilon x,-t),\; \delta^2=\epsilon^2=1 $, 由系统(2.8)可得非局域NLS方程
其中“*”表示复共轭. 显然$ \delta=\epsilon=1 $情形即为经典的局域NLS方程.
本节将利用在双微分分次代数框架下的直接线性方法[28] 求解非局域NLS方程. 该方法基于以下定理:
定理3.1 令$ (\Omega, d, \bar{d}) $是一个双微分分次代数, 其中$ \Omega=\mathcal{A}\otimes\wedge\left(\mathbb{C}^2\right) $和$ \mathcal{A}=Mat_{N_0}(\mathcal{B}) $. 若矩阵$ \Theta\in Mat(m, m, \mathcal{B}) $满足
其中$ P, K\in Mat(m, m, \mathcal{B}), U\in Mat(n, m, \mathcal{B}), V\in Mat(m, n, \mathcal{B}) $均为常矩阵. 那么
是(2.3)的一个解, 其中$ I_m-K\Theta $为可逆矩阵, $ I_m $表示$ m $阶单位矩阵.
将$ d,\overline d $ (2.5) 和$ \phi $ (2.7)代入定理3.1, 则NLS方程(2.8) 精确解可由如下引理得到.
引理3.1 若常数复矩阵$ U, \overline U\in Mat(1, m, \mathcal{B}), \; \; V, \overline V\in Mat(m, 1, \mathcal{B}) $,$ S, \overline S, K, \overline K\in Mat(m, m, \mathcal{B}) $满足Sylvester方程
则
为方程(2.8)的解, 其中$ \Theta, \overline{\Theta}\in Mat(m, m, \mathcal{B}) $,$ \Theta=e^{-xS-\mathrm{i}tS^2}, \; \; \; \; \overline{\Theta}=e^{-x\overline S+\mathrm{i}t\overline S^2}. $
接下来我们将通过约化(3.4)和(3.5), 得到以下推论.
推论3.1 对于$ \overline q=\delta q(\epsilon x, -t) $情形, 函数
为方程(2.12)的解,其中
此外, 当$ \overline q=\delta q(-x, -t) $时, 方程(2.12)有额外的解
证: 对比解的形式
为了满足$ \overline q=\delta q(-x,-t) $, 不妨设:
而当$ \varepsilon =\epsilon\delta $时, Sylvester方程(3.4)的两个方程可以合并为一个方程(3.7), 此时有
事实上,我们还可以采取其他约化方法. 由
我们可以假设
使得$ \overline q=\delta q(-x, -t) $,且Sylvester方程(3.4)的两个条件都等价于$ SK+ K\overline S=VU $. 即当$ \epsilon=-1 $时, 由条件(3.7)导出的解(3.5)满足方程(2.12).
推论3.2 考虑$ \overline q=\delta q^*(\epsilon x, t) $的情形,通过假设
可得方程(2.13)的解
此外,通过假设
(证明与推论3.1类似,不再赘述)
上节给出的解的辅助条件均为常数矩阵,大多涉及Sylvester方程. 不失一般性, 我们可以通过相似变换将矩阵$ S $、$ \overline S $化为若尔当标准型, 进而分割为若尔当块. 针对此类方程的系统解法可参见文献[28].
本节仅展示解的构造示例, 不妨设
其中$ u_i,\; v_i,k_{ij} $为常数.
考虑矩阵$ S $为$ m\times m $的若尔当块, 即
其中$ I $为$ m\times m $单位矩阵, $ \mathcal{N} $的元素$ \mathcal{N}_{ij} =\delta_{i, j-1} $.
以方程(2.12)为例,由条件(3.7)可得
其中$ k_{r+1, j}= k_{i, 0} = 0 $.
对于$ \epsilon=1 $, 矩阵$ K $可唯一求解为
若$ u_1 = 0 $或$ v_m = 0 $, 则$ K $的第一列或最后一行分别退化为零向量,该若尔当块解可通过线性叠加方法构造.
特别地,$ m=2 $时, 我们有
进而可得非局域散焦NLS方程(2.12)的解
设对角矩阵$ S=\text{diag}(s_1, ..., s_m) $, 通过求解Sylvester方程, 由上节推论可得多孤子解.
当$ \overline q=\delta q(x, -t) $时,方程(2.12)的多孤子解为
其单孤子形式为
当$ \overline q=\delta q(-x, -t) $时,方程(2.12)多孤子解为
当$ \overline q=\delta q^*(-x, t) $时,非局域NLS方程(2.13)的多孤子解为
由推论3.2可知,非局域聚焦NLS方程(2.13)除了上述形式的解,还有另外的解
当上述例子中$ k_{ij} $分母为零时,Sylvester方程的解非唯一. 例如,对于$ \overline q=- q(-x, -t) $情形, 若设
由(3.8)式可得方程(2.12)的解