特征函数梯度的唯一延拓性与随机散度型算子的Wegner估计
Unique continuation for the gradient of eigenfunctions and Wegner estimates for random divergence-type operators
AI总结：
本文针对散度型算子特征函数梯度证明了无标度定量唯一延拓估计，借助二阶椭圆算子唯一延拓原理与正特征值对应特征函数梯度的L²范数下界完成证明，并将其用于得到无需限制性覆盖条件的随机散度型算子Wegner估计。
摘要：
我们证明了散度型算子（即形如$-\nabla \times A \nabla$的算子，其中矩阵函数$A$一致椭圆）特征函数梯度的无标度定量唯一延拓估计。证明过程用到了二阶椭圆算子的唯一延拓原理，以及对应于严格正特征值的特征函数梯度的$L^2$范数下界。作为应用，我们证明了一个特征值提升估计，借此得到了随机散度型算子的Wegner估计。我们的方法免去了此前这类模型的Wegner估计证明中不可或缺的限制性覆盖条件。
英文摘要：
We prove a scale-free quantitative unique continuation estimate for the gradient of eigenfunctions of divergence-type operators, i.e. operators of the form $-\mathrm{div}A\nabla$, where the matrix function $A$ is uniformly elliptic. The proof uses a unique continuation principle for elliptic second order operators and a lower bound on the $L^2$-norm of the gradient of eigenfunctions corresponding to strictly positive eigenvalues. As an application, we prove an eigenvalue lifting estimate that allows us to prove a Wegner estimate for random divergence-type operators. Here our approach allows us to get rid of a restrictive covering condition that was essential in previous proofs of Wegner estimates for such models.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
