← 返回 PaperDaily 大模型与智能体

零点社交距离有多强？这篇论文把最小素数推得更近

这篇论文最有意思的地方，不是又把黎曼假设拿出来“拜一拜”，而是进一步问：零点之间怎么站队、怎么排队，能不能真的影响素数分布？作者把“零点间距”拉进来后，两个老问题都被往前推了一步，思路很硬，味道也很正。

龙哥读论文发布于 2026-08-14 21:50:14 阅读 6 查看原文

#人工智能 #AI科研 #综述

原论文信息如下：

论文标题:
Beyond the Riemann Hypothesis bounds: A pair-correlation approach to the least prime in arithmetic progression and the smallest quadratic non-residue

发表日期:
2026年07月发表单位:
Max-Planck-Institut fur Mathematik; Universita di Padova 原文链接:
https://arxiv.org/pdf/2607.14515v1.pdf

超越黎曼猜想：零点间的“距离”竟能破解古老数论难题

这篇论文最有意思的地方，不是继续把黎曼假设当成“万能护身符”，而是往前多走了一步：既看零点在不在临界线上，也看这些零点彼此怎么“站位”。说人话就是，只盯着零点横向位置还不够，零点之间的纵向间距也会影响素数世界的答案。这个思路一旦成立，两个老问题——最小素数在等差数列中的位置、最小二次非剩余——都能被往前推一截。

先把概念讲明白。所谓二次非剩余，就是某个模数下“怎么平方都凑不出来”的数；而等差数列中的最小素数，则是在“所有满足 p ≡ a (mod k) 的素数”里，第一个冒头的那个。它们看起来像两个完全不同的数论题，其实都和 Dirichlet L 函数的零点分布紧密相关。传统做法主要依赖“零点有没有跑到临界线外面”，也就是广义黎曼猜想（GRH, Generalized Riemann Hypothesis，广义黎曼猜想）。这篇论文的关键，是把“零点之间的间距统计”也拉进来一起算账。

图1：作者定义的二次 Dirichlet L 函数零点配对统计量 Fχ+(x,T)。它本质上是在数“两个零点之间的差”对整体行为的影响，权重函数 W(u)=4/(4+u²) 会让离得太远的零点贡献变小。这个权重函数的选择并非随意：它保证了积分收敛，同时使得零点间距在中等尺度上的贡献被充分保留。具体来说，当两个零点的虚部差为 u 时，权重 W(u) 在 u 接近 0 时接近 1，在 u 很大时迅速衰减到 0，这相当于给零点配对施加了一个“距离滤波器”。

这套思路的直觉并不玄。GRH 解决的是“零点都站在临界线这条队伍线上”，但并没有告诉大家队伍里的人是挤成一团，还是保持秩序。Montgomery 的 pair-correlation conjecture（配对相关猜想）早就提示过：零点之间不是随便乱站，彼此会有某种“排斥感”。如果这种排斥真的存在，并且能被定量控制，那么零点对素数计数误差项的影响就会更精细，经典上界自然可能被继续压低。Montgomery 在 1973 年的原始工作中，针对 Riemann zeta 函数提出了配对相关函数，并猜测其极限分布与随机厄米矩阵的特征值间距分布一致。这一猜想后来被 Dyson、Mehta 等人从随机矩阵理论的角度进一步阐释，形成了所谓的“随机矩阵理论-数论对应”。本文作者正是将这一思想从 Riemann zeta 函数推广到了 Dirichlet L 函数的二次字符场景。

论文的第一个结论，先把“零点配对统计量”的上界做实了。作者证明，在 GRH 下，对二次字符对应的 Dirichlet L 函数，有 Fχ+(x,T) ≪ T log(kx)。这个式子看起来只是一个技术估计，但作用非常大：它说明零点配对的总“活跃度”不会失控，至少在需要的参数范围里是可控的。这里的证明思路大致如下：首先将 Fχ+(x,T) 展开为双重求和，然后利用显式公式将零点求和转化为对 L 函数对数导数的积分，再通过 Cauchy 积分公式和 Jensen 不等式估计对数导数在垂直直线上的平均值。关键的一步是使用 GRH 保证所有零点都在临界线上，从而对数导数的极点位置已知，使得围道积分可以精确计算。最终，通过细致的误差估计，得到 T log(kx) 这一上界。

图2：Theorem 1 的核心上界。它说明在指定范围内，零点配对函数不会比 T log(kx) 更大太多，给后面的素数分布估计留出了操作空间。注意这里的隐含常数是绝对的，不依赖于字符 χ 的选择，这一点对于后续需要同时对多个字符求和的应用至关重要。

更进一步，作者还给出了一个更像“理论理想状态”的渐近式：在 GRH 下， Fχ+(x,T) ∼ (T/2π) log x。这类结果的价值不在于直接拿来做工程，而在于告诉大家：这个零点配对统计量确实遵循一种可预期的平均规律，不是纯靠猜。这个渐近式的推导依赖于对零点密度更精细的估计：作者首先将 Fχ+(x,T) 写成关于零点虚部 γ 的积分形式，然后利用 GRH 下零点分布的均匀性，将求和转化为积分。具体来说，关键步骤是将双重求和拆分为对角项和非对角项，对角项给出主项 (T/2π) log x，而非对角项则通过零点间距的下界估计被证明是低阶项。这里的非对角项控制依赖于一个经典结果：在 GRH 下，相邻零点间距至少为 c/log γ，这保证了非对角项的贡献可以被有效抑制。

图3：Theorem 2 给出的平均行为。这里的 (T/2π) log x 说明，零点之间的配对统计在平均意义下有明确主项，这也是后续条件性改进的地基。这个渐近式与 Montgomery 对 Riemann zeta 函数的原始结果形式一致，体现了零点统计的普适性。

真正的“主菜”在 Hypothesis 1。作者提出一个配对相关假说：在比 Theorem 1 更宽的 T 区间里，依然有 Fχ+(x,T) ≪ T log(kx)。这一步不是白送的，它本质上是把 Montgomery 式的 pair-correlation 思想，搬到 Dirichlet L 函数的二次字符场景里。换句话说，作者不是说“我证明了它”，而是说“如果这种零点间距规律成立，那么能换来更强的数论结论”。这个假说的合理性在于：数值实验表明，对于前几百万个零点，配对相关函数与随机矩阵理论的预测高度吻合；而且，对于 Riemann zeta 函数，Montgomery 和 Dyson 已经给出了启发式推导。但严格证明仍然遥不可及，因为它涉及对 L 函数族在临界线上方的高阶矩估计，这超出了当前解析数论的技术能力。

图4：假说中的参数范围。这里的意思很直白：k 不能太小，T 也不能太小，否则这个配对统计的控制条件就不够稳。具体来说，要求 k ≥ (log x)^A 且 T ≥ x^δ，其中 A 和 δ 是某个正常数。这个条件的必要性在于：当 k 太小时，字符的数量不足以提供足够的统计平均；当 T 太小时，零点样本量不足，配对统计的波动可能过大。

打破经典界限：对关联假说如何改进素数分布估计

如果只看 GRH，素数分布已经很“规矩”了，但还不够细。作者想做的是：借助配对相关信息，把素数在等差数列里的误差项再压一压。这里用到的核心对象是 ψ(x;k,a)，它是带模数约束的切比雪夫函数，和素数计数 π(x;k,a) 是同一类问题的不同表述。ψ(x;k,a) 的定义是：对所有满足 n ≡ a (mod k) 的正整数 n ≤ x，求和 Λ(n)，其中 Λ(n) 是 von Mangoldt 函数。它与 π(x;k,a) 的关系通过 Stieltjes 积分联系，但 ψ 在解析处理上更方便，因为它的显式公式直接涉及 L 函数的零点。

图5：素数计数与切比雪夫函数的定义。这里的 Λ(n) 是冯·芒戈尔特函数，用来把素数和素数幂统一记账。注意 ψ(x;k,a) 与标准切比雪夫函数 ψ(x) 的区别在于多了同余条件，这使得它的显式公式中需要引入 Dirichlet 字符来筛选同余类。

传统上，GRH 给出的误差项级别大致是 ψ(x;k,a)-x/φ(k) ≪ √(x/φ(k))·xε。这个上界已经很强了，但作者希望更进一步，把后面的 xε 换成一个更“温和”的因子。原因很简单：在数论里，哪怕只是把一个讨厌的幂次松动一点点，后面可能就是一整片结论。例如，如果能把 xε 换成 (log x)^C，那么对最小素数的估计就能从幂次型改进为亚幂次型，这在实际应用中意味着更精确的素数分布预测。

图6：GRH 下的经典误差项上界。它是后面“超越经典界限”的参照物，也是作者想继续改进的基准线。这个上界的推导依赖于显式公式中零点求和部分的平凡估计：每个零点贡献 x^ρ/ρ，在 GRH 下 |x^ρ| = √x，而零点密度约为 (T/2π) log T，求和后得到 √x·log x 量级，再通过部分求和技巧得到 √x·x^ε。

作者的核心做法，是把零点相关函数和素数误差项之间的关系重新拆开，再通过显式公式、Cauchy–Schwarz 不等式、Sobolev–Gallagher 不等式等工具，把“零点配对的平均控制”转化成“素数误差的更强控制”。这不是魔法，是标准分析数论的硬活：先把素数问题翻译成零点求和，再用零点的统计性质去压误差。具体来说，作者首先将 ψ(x;k,a) 的误差项写成对字符求和的形式：ψ(x;k,a) - x/φ(k) = (1/φ(k)) Σχ χ̄(a) ψ(x,χ) + 小项，其中 ψ(x,χ) 是带字符的切比雪夫函数。然后对每个 ψ(x,χ) 使用显式公式，将其表示为 L(s,χ) 非平凡零点的求和。接下来，作者引入一个平滑核函数，将零点求和转化为对 Fχ+(x,T) 的积分，再通过 Cauchy-Schwarz 不等式将平方误差与 Fχ+ 的上界联系起来。

在技术上，论文先建立了两个层面的配对统计量 Fk(x,T) 和 Fk+(x,T)，它们分别对应全零点区间和正半轴零点区间的配对统计，前者和后者都通过 Dirichlet 字符的正交性加权求和。这个定义看着绕，其实是在做一件很朴素的事：把不同字符模数下的零点信息“叠起来”，让模数 a 的信息自然冒出来。Fk(x,T) 的定义为：对所有模 k 的 Dirichlet 字符 χ，求和 Fχ(x,T)，其中 Fχ 是类似 Fχ+ 但包含所有零点（包括负虚部）的版本。而 Fk+(x,T) 则只取正虚部零点。两者的区别在于：Fk 在理论推导中更对称，而 Fk+ 在实际估计中更直接。

图7：配对统计量 Fk+(x,T) 的定义。它把模数 k 下所有字符的零点相关信息，按 a 的权重汇总起来。注意这里的求和覆盖了所有模 k 的原始字符，包括主字符，但主字符的贡献可以通过显式计算分离出来，不影响主要估计。

图8：与图7配套的另一个统计量 Fk(x,T)。它覆盖的是更完整的零点区间，适合处理更一般的素数分布问题。两个统计量之间通过简单的对称性关系 Fk(x,T) = 2Fk+(x,T) + 小项相联系。

在 Hypothesis 2 中，作者进一步假设当模数 k 和截断高度 T 落在某个区间时，这两个统计量都满足一个带有 exp(c1(log x)c2) 的上界。这个条件看上去有点“怪”，但它的角色很明确：它是一个比纯多项式更弱、比完全放飞更强的控制尺度，用来把配对相关的好处传导到素数误差项里。具体来说，c1 和 c2 是正常数，且 c2 < 1，这意味着上界是亚指数型的——比任何多项式增长都快，但比指数增长慢。这种形式的必要性在于：纯多项式上界（如 T log(kx)）在 T 很大时仍然不够强，而完全指数型上界又太弱以至于无法导出有意义的结论。亚指数型上界恰好处于中间地带，既能被配对相关猜想所支持，又能导出素数分布的非平凡改进。

图9：Hypothesis 2 的配对统计假设。它要求 Fk 与 Fk+ 都被一个次指数级因子控制，从而给后续的素数估计提供更强输入。这个假设比 Hypothesis 1 更强，因为它要求对所有字符同时成立，而不仅仅是单个字符。

图10：Hypothesis 2 的参数范围。这里的 k 和 T 都要落在指定区间里，才能让后面的推导不至于“踩空”。特别地，要求 T 至少是 x 的某个正幂次，这保证了有足够多的零点参与统计平均。

有了这些输入，作者得到的第一个重要应用，是把等差数列里的切比雪夫函数误差压到 ψ(x;k,a)-x/φ(k) ≪ √(x/φ(k))·exp(c1(log x)c2)。这比单纯的 GRH 结论更细，虽然仍是条件性的，但它说明：只要零点配对足够“规整”，素数在等差类中的波动就能被更有效地压制。这个结果的证明思路是：首先将 ψ(x;k,a) 的误差项写成对字符求和的形式，然后对每个字符使用显式公式，将零点求和与 Fχ+ 联系起来。通过引入一个平滑核函数并利用 Hypothesis 2，可以证明零点求和部分被 exp(c1(log x)c2) 控制。最后，通过 Cauchy-Schwarz 不等式和字符正交性，将单个字符的估计合并为整体估计。

图11：Theorem 4 的误差项。它把经典的 xε 换成了次指数级因子，属于“条件性地更锋利了一点”。注意这里的隐含常数可能依赖于 c1 和 c2，但不依赖于 k 和 x。

再往下推，就能得到最小素数在等差数列中的上界改进。作者证明，在 GRH 和 Hypothesis 2 下， p(k) ≪ φ(k)exp(B(log k)A)，其中 A∈(1/2,1)。这和经典的 Linnik 型结果相比，形式上明显更接近“接近线性”，虽然还没到 Heath-Brown 猜想的 k(log k)²，但已经比老式的幂次型上界更温和。这个结果的推导利用了经典的“逐次逼近”技巧：从 Theorem 4 的误差估计出发，通过反证法证明如果某个同余类中没有小素数，那么 ψ(x;k,a) 的误差项会累积到矛盾的程度。具体来说，假设 p(k,a) > X，那么对所有 x ≤ X，ψ(x;k,a) 的取值只能来自素数幂，通过精细的计数可以得到一个下界，与 Theorem 4 的上界矛盾，从而确定 X 的上界。

图12：最小素数在等差数列中的总上界。这里的 p(k) 是对所有互素余数类里最坏情况的取最大值。注意这个上界是亚幂次的，即增长慢于任何 k^ε，但快于任何 (log k)^C。

从水平到垂直：利用零点间“社交距离”推导出更优上界

这篇工作的真正亮点，在于方法论上的“换视角”。以前很多结果主要问：零点有没有偏离临界线；现在作者问得更细：零点之间是不是像有点“社交距离”，这种距离感能不能帮助控制误差。这个转向非常数论，也非常聪明，因为素数分布的误差项本来就不是只由单个零点决定，而是由很多零点一起“合唱”出来的。如果把每个零点想象成一个振动模式，那么素数计数函数就是这些模式的叠加。单个零点的位置决定了振动的频率，而零点之间的间距决定了这些振动是相互加强还是相互抵消。如果零点间距足够均匀（即“社交距离”保持得好），那么叠加后的振幅就会比最坏情况小得多——这正是配对相关猜想所揭示的现象。

图13：从零点和显式公式出发的中间桥梁。作者把零点求和写成类似 ∑ 2xiγ/(1+(t-γ)²) 的形式，再去做平方平均。这个形式来源于显式公式中零点贡献的积分表示，其中分母 (1+(t-γ)²) 起到了平滑截断的作用，使得远离 t 的零点贡献被快速衰减。

这里的技术路线可以粗略理解成三步。第一步，把素数问题翻译成零点问题，靠的是显式公式；第二步，把零点问题转成平均平方，靠的是积分和不等式；第三步，把平均平方里的交叉项压住，靠的是配对相关假设。最后，零点之间的“距离统计”就真的变成了素数误差项里的一个可控参数。具体来说，第一步使用显式公式：ψ(x,χ) = x - Σρ x^ρ/ρ - log(2π) - (1/2)log(1-x^{-2})，其中 ρ 遍历 L(s,χ) 的非平凡零点。第二步，对 ψ(x,χ) 的误差项平方并在 x 的区间上积分，得到 ∫ |ψ(x,χ)-x|² dx/x，这个积分可以展开为双重求和 Σρ,ρ' ∫ x^{ρ+ρ'-1} dx，通过计算积分得到与零点间距相关的项。第三步，利用配对相关假设控制双重求和中 ρ≠ρ' 的交叉项，这些交叉项正是 Fχ+ 所度量的对象。

从工程视角看，这类结果并不追求“立刻可部署”，而是追求“理论上能不能再往前挤一点”。它和深度学习里那种刷榜不太一样，更像在地基上多打了几根钢筋。只要零点相关结构被进一步理解，后面可能连带改进更多关于素数分布、字符和、L 函数零点密度的结果。数学里最贵的往往不是一个数值，而是一个能反复使用的结构性视角。例如，本文发展的配对统计方法可以推广到其他类型的 L 函数（如 GL(2) 上的自守 L 函数），也可以用于改进 Chebotarev 密度定理的有效版本，后者在代数数论和密码学中有重要应用。

不过，这篇论文也很诚实：它没有声称已经把 Heath-Brown 的猜想彻底拿下。作者自己点明了一个边界——现有方法仍然依赖某个配对统计假说的统一范围，而这个范围如果不够宽，就还碰不到最强的猜想型结论。也就是说，这不是“终结篇”，更像是把路标往前搬了一段。作者在论文第 5 节专门讨论了方法的局限性：要得到 Heath-Brown 猜想 p(k) ≪ k(log k)²，需要配对统计假说在 T 高达 exp((log k)^2) 的范围内成立，而当前的技术只能处理 T 为 k 的幂次的情况。这个差距反映了我们对零点大尺度结构理解的不足，也是未来研究的重要方向。

条件性突破：最小二次非剩余与林尼克常数的理论改进

回到两个具体问题。第一个是最小二次非剩余 n(q)。传统上，Vinogradov、Burgess、Linnik、Ankeny 等人的结果已经把这件事推到了很深的位置，但最强的无条件上界仍然不够接近“理想状态”。这篇论文在 GRH 加上 Hypothesis 1 的条件下，把它推进到 n(q) ≪ (log q)1+ε。这几乎已经贴着对数级走了，和经典的 q 的幂次上界相比，差距不是一点半点。经典结果中，Burgess 的无条件上界是 n(q) ≪ q^{1/(4√e)+ε} ≈ q^{0.1516+ε}，而 GRH 下的最佳结果是 n(q) ≪ (log q)^2。本文的结果在 Hypothesis 1 下将指数从 2 降低到 1+ε，这是对 GRH 下已知结果的实质性改进。

图14：最小二次非剩余的条件性改进。这个结果的味道很“对数化”，说明一旦零点间距控制到位，n(q) 的增长会被压得非常低。证明思路是：将 n(q) 与二次字符 χ_q 的 L 函数零点联系起来，利用 Burgess 的字符和估计和本文的配对统计上界，通过 Polya-Vinogradov 方法得到改进。

第二个是 Linnik 常数相关问题。Linnik 的经典结论说，最小满足 p ≡ a (mod k) 的素数 p(k,a) 有一个幂次型上界；后来 Heath-Brown、Xylouris、Meng 等人不断把指数压低，但仍然停留在幂次世界。作者这里给出的，是一种φ(k)·exp(B(log k)A) 型上界。它不是最终答案，却比单纯的 kL 更接近“亚幂次”的感觉，说明 pair-correlation 这条路确实有潜力。目前无条件的最佳结果是 Xylouris 的 p(k) ≪ k^{4.5}，而 Heath-Brown 猜想的最佳可能形式是 p(k) ≪ k(log k)^2。本文的结果虽然仍是条件性的，但首次将上界从幂次型推进到亚幂次型，这是一个概念上的突破。

图15：Linnik 型问题的经典起点。这里的 p(k,a) ≪ kL 是老牌幂次型上界，论文要做的就是在条件下把它往更温和的方向挪。Linnik 常数 L 从最初的 10000 以上，经过 Heath-Brown (5.5)、Xylouris (5.2)、Meng (5.0) 等人的工作，已经降到了 5 左右，但始终无法突破幂次壁垒。

这部分最值得注意的，不是最终常数写成了什么，而是作者明确指出了边界：这条技术路线还不能直接碰到 Heath-Brown 猜想 p(k) ≪ k(log k)²。原因不是作者不努力，而是现有假说的 uniformity range 还不够宽，再往前走会和 Friedlander–Granville 类型的反例结构发生冲突。这个判断很重要，因为它把“能做什么”和“暂时不能做什么”分得很清楚，没有学术包装味。Friedlander 和 Granville 在 1989 年构造了一类例子，说明在某些条件下，如果配对相关假设在过宽的范围内成立，会导致与已知的零点密度估计相矛盾。因此，任何试图将配对相关假设推广到更大范围的尝试，都必须小心避开这些反例。作者在论文中明确讨论了这一限制，并指出他们的假设范围恰好落在 Friedlander–Granville 界限之内。

如果把整篇文章浓缩成一句话，那就是：零点不仅要“站在线上”，还要“站得有秩序”。一旦这种秩序能被 pair-correlation 语言精确描述，素数分布和二次非剩余这类老问题，就有机会得到比 GRH 单独使用时更强的条件性结论。这篇论文的价值在于，它首次系统性地展示了从“零点位置”到“零点间距”这一视角转换所能带来的定量收益，为后续研究开辟了一个新的方向。

龙迷三问

下面是龙哥对于大家可能的一些问题的解答：

这篇论文到底解决了什么问题？它没有直接证明黎曼假设，而是研究“在假设 GRH 和零点 pair-correlation 规律成立时，能把两个经典数论问题推到什么程度”。结果是：最小二次非剩余和最小素数在等差数列中的上界都得到了条件性改进。具体来说，最小二次非剩余从 GRH 下的 (log q)^2 改进到 (log q)^{1+ε}，最小素数从 GRH 下的 k^{5+ε} 改进到 φ(k)exp(B(log k)^A)，其中 A<1。

Fk(x,T)、Fk+(x,T) 是什么意思？它们是作者定义的零点配对统计量，用来衡量 Dirichlet L 函数零点之间的相关性。简单理解，就是统计“两个零点差了多远、这种远近关系对整体有什么影响”。Fk+ 只考虑正虚部零点，而 Fk 考虑所有零点。它们的定义中都包含一个权重函数 W(u)=4/(4+u²)，这个函数的作用是让相距很远的零点对贡献很小，从而聚焦于中等尺度的间距结构。

为什么零点间距会影响素数分布？因为素数分布的误差项可以通过显式公式写成零点求和，单个零点的位置决定了基本波动，而多个零点之间的相关结构决定了交叉项能不能被更好地抵消。作者就是利用这层关系，把“零点社交距离”变成了误差控制工具。直观上，如果零点间距完全随机，那么交叉项的期望值为零，但方差仍然很大；如果零点间距有排斥性（即倾向于均匀分布），那么交叉项的正负贡献会相互抵消，从而减小总误差。配对相关猜想正是描述了这种排斥性，而本文则展示了如何将这种排斥性转化为定量的误差改进。

如果你还有哪些想要了解的，欢迎在评论区留言或者讨论~

龙哥点评

论文创新性分数：★★★★☆。把零点“位置”推进到“间距统计”，并且直接服务于两个经典问题，这个切入点很漂亮，不是常规套路。虽然配对相关的思想在 Riemann zeta 函数中已有研究，但将其系统性地应用于 Dirichlet L 函数并导出具体数论结论，这是首次。

实验合理度：★★★★☆。这里没有机器学习实验，只有严格证明；推导链条完整，假说与结论的对应关系也比较清楚。每个定理都明确标注了依赖的假设条件，没有模糊地带。

学术研究价值：★★★★★。它把 pair-correlation 和素数分布、二次非剩余、Linnik 问题连成一条线，研究价值很实在。这篇论文很可能成为后续研究“零点统计与数论应用”这一方向的起点。

稳定性：★★★☆☆。结论高度依赖 GRH 和额外配对假说，理论很强，但离无条件落地还远。不过，配对假说本身有数值实验和随机矩阵理论的支持，并非空中楼阁。

适应性以及泛化能力：★★★☆☆。方法对 Dirichlet L 函数相关问题很有启发，但并不是拿来就能通吃所有数论难题。例如，对于更高秩的 L 函数或非交换场景，配对统计的定义和估计都需要重新发展。

硬件需求及成本：★★★★★。纯数学证明，不吃 GPU，也不需要集群，成本低到可以忽略。需要的只是纸、笔和聪明的头脑。

复现难度：★★★☆☆。证明链条长、符号密、细节多，复现更像“逐行验算”而不是跑代码。对于非专业解析数论学者，可能需要花费数周时间才能完全理解所有技术细节。

产品化成熟度：★★☆☆☆。短期内不属于产品化方法，但作为理论工具，对后续研究有明确价值。例如，在密码学中，更精确的素数分布估计可能影响某些加密算法的安全性分析。

可能的问题：条件假设较强，离最终猜想还有距离；更关键的是，uniformity range 仍是瓶颈，没法一口气把最强结论端上来。此外，配对假说本身尚未被证明，因此所有结论都是条件性的，一旦假说被证伪，整个大厦将失去根基。

主要参考文献

[1] N. Kandhil, A. Languasco, P. Moree. Beyond the Riemann Hypothesis bounds: A pair-correlation approach to the least prime in arithmetic progression and the smallest quadratic non-residue. arXiv:2607.14515v1, 2026.

[2] H. L. Montgomery. The pair correlation of zeros of the zeta function. 1973.

[3] H. L. Montgomery, R. C. Vaughan. Multiplicative Number Theory I. Classical Theory.

*本文仅代表个人理解及观点，不构成任何论文审核或者项目落地推荐意见，具体以相关组织评审结果为准。欢迎就论文内容交流探讨，理性发言哦～想了解更多原文细节的小伙伴，可以点击"阅读原文"，查看更多原论文细节哦！

欢迎加入龙哥读论文粉丝群，扫描下方二维码或者添加龙哥助手微信号加群：kangjinlonghelper。一定要备注：研究方向+地点+学校/公司+昵称（如图像处理+上海+清华+龙哥），根据格式备注，可更快被通过且邀请进群。
『龙哥读论文』微信群目前包含：图像处理、大模型及智能体、自动驾驶及机器人、AI医疗及AI金融5个群
wechat_helper