Une approche analytique et numérique qui représente des fonctions ou des solutions en termes d'une base spectrale de l'opérateur (fonctions propres, polynômes orthogonaux, modes de Fourier) et utilise les coefficients spectraux pour résoudre des équations différentielles ou intégrales, offrant souvent une convergence d'ordre élevé ou exponentielle pour les problèmes réguliers.

Principe

Projeter le problème sur une base globale de fonctions qui diagonalise ou rend parcimonieux l'opérateur (fonctions propres ou polynômes orthogonaux), tronquer à un nombre fini de modes et résoudre le système algébrique résultant ; le principe repose sur la décroissance rapide des coefficients spectraux pour des solutions lisses et sur l'orthogonalité pour des projections efficaces.

Démonstration

Résoudre l'équation de Poisson sur [−1,1] par une méthode spectrale-Galerkin de Chebyshev : développer la solution en polynômes de Chebyshev, imposer les conditions aux limites par modification de base ou méthode tau, convertir la PDE en une équation matricielle pour les coefficients spectraux et résoudre pour obtenir des approximations de haute précision qui convergent rapidement pour des termes sources lisses.

Mauvaise application

Attendre une convergence spectrale (exponentielle) pour des fonctions de régularité limitée ou discontinues (phénomène de Gibbs), ignorer l'aliasing et le dealiasing non linéaire dans les schémas pseudospectraux, ou appliquer des bases spectrales globales à des géométries inadaptées sans décomposition de domaine.

Conséquence

Fournit une très grande précision par degré de liberté pour les problèmes lisses, facilite l'analyse modale et la diagonalisation d'opérateurs linéaires, et sert de fondement aux méthodes spectrales-Galerkin, de collocation et pseudospectrales largement utilisées en simulation et analyse.

Inversion

Les méthodes locales (différences finies, éléments finis d'ordre faible) sont l'inverse conceptuel : elles utilisent des bases à support compact, conduisent à des matrices creuses dominées par la localité et donnent en général une convergence algébrique plutôt que spectrale, mais elles sont plus robustes pour données non lisses et géométries complexes.

Limite

Plus efficace pour des solutions lisses sur des géométries simples ou sur des domaines admettant des coordonnées produit tensoriel ou mappées ; moins efficace pour des solutions non lisses, des problèmes avec frontières compliquées sauf combiné à une décomposition de domaine, et pour certains problèmes fortement non linéaires sans dealiasing approprié.

Tension sémantique

Tension entre méthodes spectrales et approches éléments finis/différences finies : les spectrales privilégient la précision globale et la convergence rapide pour les problèmes lisses, tandis que les locales privilégient la flexibilité géométrique et le contrôle local d'erreur ; de plus, 'spectral' peut désigner expansion en fonctions propres ou méthode numérique, créant de la confusion terminologique.

Synthèse

Les Méthodes Spectrales développent l'inconnu sur des bases spectrales globales et résolvent pour les coefficients spectraux, fournissant une très haute précision lorsque la régularité de la solution et la géométrie du domaine sont compatibles avec la base choisie, et servent à la fois d'expansions analytiques et de solveurs numériques d'ordre élevé.