数学 > 偏微分方程分析
[提交于 2023年10月2日
(v1)
,最后修订 2025年9月12日 (此版本, v2)]
标题: Schoen--Simon--Yau 和 Schoen--Simon 定理的迭代方法扩展,类似于 De Giorgi 的方法
标题: Extensions of Schoen--Simon--Yau and Schoen--Simon theorems via iteration à la De Giorgi
摘要: 我们给出Schoen--Simon--Yau曲率估计及其相关的Bernstein型定理(1975)的另一种证明,并通过包括$6$维(稳定极小)浸入的情况来扩展原始结果。 关键步骤是一个$\epsilon$正则性定理,该定理假设第二基本形式的尺度不变$L^2$范数足够小。 此外,我们得到一个图描述,以Lipschitz多值的方式,对于任何维度为$n\geq 2$的稳定极小浸入,其可能具有局部有限$\mathcal{H}^{n-2}$测度的奇异集$\Sigma$,并且弱接近于一个超平面。 (事实上,如果$\mathcal{H}^{n-2}(\Sigma)=0$,结论可加强为光滑图的并集。) 这直接来自于一个$\epsilon$正则性定理,该定理假设尺度不变的$L^2$倾斜过度具有小性(当超曲面弱接近于一个超平面时得到验证)。 将多值分解专门应用于嵌入的情况,我们恢复了 Schoen--Simon 定理(1981)。 在两种$\epsilon$正则性定理中,相关量(分别为第二基本形式的长度和倾斜函数)在浸入的极小超曲面上解一个非线性偏微分方程。 证明是通过实施类似于 De Giorgi 的迭代方法(来自线性 De Giorgi--Nash--Moser 理论)来内在地进行的(不线性化偏微分方程)。 稳定性给出估计(内在的弱 Caccioppoli 不等式),这些估计尽管在非线性框架下也使迭代有效。 (在两种$\epsilon$正则性定理中,该方法给出了量化所需小性的显式常数。)
文献和引用工具
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
推荐器和搜索工具
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.