← 返回 PaperDaily
大模型与智能体
冷门方向也能发顶会？β=2配分函数攻克L函数极值难题
先来一个灵魂拷问：数学家们折腾了上百年，黎曼zeta函数在临界线上的最大值到底有多大？这个问题听起来简单，却像一座冰山，露出水面的只有一行公式，水面下藏着随机矩阵、高斯乘法混沌、对数相关场这些大家伙。
龙哥读论文
发布于 2026-08-14 21:47:28
阅读 4
查看原文
原论文信息如下：
从黎曼zeta到Dirichlet L函数：一个悬而未决的极值问题 先来一个灵魂拷问：数学家们折腾了上百年，黎曼zeta函数在临界线上的最大值到底有多大？这个问题听起来简单，却像一座冰山，露出水面的只有一行公式，水面下藏着随机矩阵、高斯乘法混沌、对数相关场这些大家伙。本论文把同样的追问搬到另一个舞台——Dirichlet L函数，并且第一次把“极值上界”这个问题推进到了与猜想匹配的二阶精度。
黎曼zeta函数ζ(s)是数论的心脏，它在s=1/2这条临界线上的行为被认为蕴藏着素数分布的终极秘密。具体到“极值问题”，目标很明确：对于典型的大参数T，在长度为1的区间内，|ζ(1/2+it)|能冲到多高？2012年，Fyodorov、Hiary和Keating三人（圈内简称FHK）基于随机矩阵理论和对数相关场的启发，给出一个大胆预测：典型区间内的最大值约为log T除以(log log T)的3/4次方，并且超过阈值e^U log T/(log log T)^{3/4}的概率大约为U e^{-2U}。
这个猜想到今天还没有被完整证明，目前最好的结果是Arguin、Bourgade和Radziwill在2020到2023年间取得的上界突破。而本论文要做的，是把这个故事搬到“q-方面”：研究对象不再是大参数T的zeta函数，而是大素数q模q的Dirichlet特征χ对应的L函数L(1/2+ih,χ)。
简单解释一下“Dirichlet特征”和“L函数”：Dirichlet特征是模q的算术函数χ(n)，就像给每个整数贴上一个“相位标签”，用来区分素数在模q下的不同剩余类。而Dirichlet L函数L(s,χ)=Σ χ(n)n^{-s}就是zeta函数的“带特征”版本，它同样具有解析延拓和函数方程，也同样在临界线上表现出复杂的随机行为。把q看作不断增大的变量，就构成了“q-方面”的研究框架，这可以看作t-方面（即zeta函数随高度T变化）的平行宇宙。
在深入技术细节之前，有必要先厘清这两个“平行宇宙”之间的深层联系与本质差异。在t-方面，研究对象是固定模长、高度T趋近无穷的zeta函数；而在q-方面，研究对象是模长q趋近无穷、高度h被限制在极短区间内的L函数。两者在统计行为上高度相似——都表现出对数相关场的特征，最大值都遵循“log除以log log的幂次”的增长规律——但在技术处理上却有着天壤之别。t-方面可以充分利用zeta函数的欧拉乘积展开和高度T带来的“平均化”效应；而q-方面则必须面对模q的周期结构带来的正交性约束，以及特征平均与概率平均之间的微妙差异。正是这种“相似但不同”的特性，使得q-方面的研究既充满诱惑又布满荆棘。
从更宏观的视角来看，这类极值问题的研究可以追溯到Hardy和Littlewood在20世纪初对zeta函数增长率的开创性工作。经过一个多世纪的发展，研究者们逐渐认识到：zeta函数和L函数在临界线上的值分布并非完全随机，而是遵循某种深层的普适规律——这种规律与统计物理中的临界现象、随机矩阵理论中的特征值分布、以及概率论中的高斯乘法混沌过程都有着千丝万缕的联系。FHK猜想正是这种普适性思想最集中的体现，而本文的工作则是沿着这条道路在q-方面迈出的关键一步。
β=2配分函数：连接随机矩阵与数论的桥梁 要研究极值，直接碰最大值往往太硬，数学家通常先研究一个更平滑的对象——配分函数。这个词源自统计力学，通俗理解就是“把所有可能状态的权重加起来得到的归一化常数”。在本文的语境下，β=2配分函数定义为：
Z₂(q,χ,θ) = ∫_{|h|≤log^θ(q)/2} |L(1/2+ih,χ)|² dh
也就是L函数模长平方在一个区间上的积分，其中θ∈(-1/2,0]控制区间长度。θ=0对应常数长度区间，θ=-1/2附近对应极短的介观区间。这里β=2不是随便写的：在随机矩阵理论中，β=2对应酉矩阵系综（GUE），而L函数在临界线上的值分布与GUE特征多项式有深刻的相似性。平方幂次也很讲究——在临界高斯乘法混沌的语言里，β=2恰好是临界指数，超出了临界点就需要额外的对数修正（Seneta-Heyde归一化），这正是√(log log q)出现的深层原因。
为什么要研究配分函数？因为随机过程理论告诉我们：最大值问题的很多关键信息都能从配分函数的矩估计中提炼出来。就像天气预报不能直接预测每一片云的形状，但通过统计所有云团的总水量就能推断极端暴雨的概率。Saksman-Webb猜想（SW猜想）正是针对配分函数极限分布提出的：
等等，这个公式里的λ₂(dh)是什么？这是临界高斯乘法混沌（GMC）测度，一种极其粗糙的随机测度，它不把质量分配给单个点，而是以一种分形的方式散布在区间上。g(h)则是一个广义随机函数。这个收敛的直观含义是：zeta函数模平方的局部平均，其随机涨落模式最终会趋于一个普适的极限——临界GMC。
为了帮助读者更好地理解GMC，不妨做一个类比：想象你在一个雾气弥漫的森林中观察树叶上的露珠。露珠的分布看起来杂乱无章，但如果你在足够多的森林中统计露珠的密度分布，会发现它们遵循某种普适的统计规律——这就是“混沌”中的“秩序”。GMC测度正是这种“混沌中的秩序”的数学抽象：它描述的是当随机涨落的强度达到临界值时，质量如何在空间中分布。在L函数的语境下，|L(1/2+ih,χ)|²的局部平均就像露珠的密度，而GMC测度则是这种密度的极限分布。
本论文的第一个目标就是建立q-方面的SW猜想类比，即Conjecture 1：
注意这里的归一化因子是√(log log q)/log q，而不是常数区间长度下的1/log q。这个看似微小的差别，背后是临界GMC的Seneta-Heyde修正。论文的定理1和定理2证明了这个归一化因子在矩估计意义下是正确的，相当于给猜想的第一块基石做了压力测试。
这里有必要对Seneta-Heyde修正做一点展开说明。在经典的高斯乘法混沌理论中，当参数β²小于临界值2时，配分函数经过适当的归一化后会收敛到一个非平凡的极限；但当β²恰好等于临界值2时，标准的归一化因子（即log q的某个幂次）会导致极限退化——要么收敛到0，要么发散到无穷。Seneta-Heyde修正正是针对这种临界情形设计的精细归一化方案：在标准归一化因子的基础上额外乘以√(log log q)的倒数，使得配分函数在临界点也能收敛到非平凡的极限。这个修正看似简单，却是理解临界GMC的关键，也是本文定理1和定理2中√(log log q)因子的理论根源。
随机化论证：Harper方法的q-方面推广 接下来要面对的问题是：怎么证明矩估计？直接对Dirichlet特征做条件化几乎不可能，因为一旦显式地条件化，幺模特征的正交性就会被破坏，失去了最有力的计数工具。Harper在2019年和2023年的系列工作中发展了一套精妙的“随机化论证”，核心思路是：先把特征平均转移到Steinhaus随机乘性函数上，在随机侧完成条件化和概率分析，再用正交性保证误差可控。
什么是Steinhaus随机乘性函数？它是这样定义的：对每个素数p，f(p)是在复平面单位圆上均匀取值的独立随机变量，然后通过完全乘性扩张到所有正整数——即f(mn)=f(m)f(n)。这种函数天然具有“随机相位”的特征，很好地模拟了Dirichlet特征的统计行为，但没有模q带来的周期性和正交性约束。
本论文的核心道具是Lemma 3（随机化引理），它实质上是Harper在[Har23]中Proposition 1的强化版本：对任意一族光滑截断函数g_j，特征平均下的乘积期望可以近似替换为随机乘性函数下的期望，误差为O(log x/(N log P)^{Y/δ²})。换句话说，只要参数选得足够“安全”，数论平均和概率平均几乎不可区分。
有了这把“万能钥匙”，证明定理1就没那么可怕了：先用近似函数方程把L函数切开，再用Dirichlet多项式分拆技巧把多项式按素数因子分类，然后一路转移到随机侧，用概率论工具（尤其是Ballot定理）控制尾部事件。值得强调的是，在随机侧做条件化是“免费”的——你可以自由地限定Y_{P_θ}(0)落在某个区间，而不用担心破坏正交性。
为了更具体地说明随机化论证的工作机制，不妨以定理1的证明框架为例做一个“路线图”式的梳理。整个证明大致分为五个步骤：第一步，利用近似函数方程将L(1/2+ih,χ)截断为长度约√(q/2π)的Dirichlet多项式，并进一步将多项式按素数大小分解为“光滑部分”（素因子≤P）和“粗糙部分”（素因子>P）；第二步，将配分函数的r次矩展开为多重和，利用Dirichlet特征的正交性对特征平均进行初步化简；第三步，应用随机化引理（Lemma 3），将特征平均替换为Steinhaus随机乘性函数平均——这是整个证明的“枢纽”环节；第四步，在随机侧对光滑部分进行条件化，利用Ballot定理和概率不等式控制尾部事件；第五步，将随机侧的估计结果“翻译”回数论侧，完成矩上界的证明。这个五步框架贯穿全文，定理2和定理3的证明虽然更为复杂，但基本骨架是一致的。
值得一提的是，Ballot定理在这个证明中扮演的角色往往被初学者低估。Ballot定理是概率论中关于随机游走首达时的经典结果，它给出了随机游走在给定时间内不越过某个边界的概率的精确估计。在本文的语境中，对数L函数的随机侧近似Y_x(h)可以看作一个“对数相关场”的随机游走，而Ballot定理恰好提供了控制这个随机游走尾部行为的工具。具体来说，当我们需要估计Y_{P_θ}(0)落在某个区间[W,W+1]的概率时，Ballot定理给出了一个精确到常数因子的估计，这个估计的精度对于后续的矩上界推导至关重要。
显式条件化与链式论证：攻克介观区间的关键 当θ<0时，情况变得微妙起来。这时积分区间是“介观区间”（mesoscopic interval）：长度log^θ(q)趋于无穷，但比常数长度区间小很多。问题的难点在于：对P_θ-光滑整数（即所有素因子都不超过P_θ=exp(log^{|θ|}(q))的整数），当h的尺度远小于1时，因子n^{ih}几乎冻结，对任意|h|≤log^θ(q)/2都有n^{ih}=1+O(1)。这导致光滑部分不能通过h的积分来平均化，必须显式地“条件化”——强制限定光滑部分的贡献在某个范围内。
这个“显式条件化”是本文区别于此前工作的关键点。Harper在[Har23]中通过巧妙设计实现了“隐式条件化”，不需要把光滑部分的贡献固定到某个具体区间；而本文因为直接对L函数本身积分，必须把条件写出来，也就是限定Y_{P_θ}(0)∈[W,W+1]。这一步看起来简单，实际操作却非常复杂：由于光滑部分的贡献沿h有微小但非平凡的波动，需要在整个区间上同时控制，而不能只在一个点上控制。
论文的解决方案是链式论证（chaining argument）。思路可以这样理解：把介观区间[−log^θ(q)/2, log^θ(q)/2]划分为约log log q个子区间，每个子区间对应素数尺度的一层（即P^{e^{-(ℓ+1)}}
链式论证最早在Arguin-Hamdan [AH24]中用于研究zeta函数的介观极值，但他们的切入点是对数L函数的水平集（level sets），而本文直接对L函数本身积分，需要更强的控制。论文的另一个技术亮点是：在链式论证中把多点的隐式条件化浓缩为一个“单点显式条件化”，这个浓缩过程本身依赖对数相关场在短尺度上的近似独立性，属于高斯过程理论中的标准但精妙的技巧。
为了更直观地理解链式论证的威力，可以做一个类比：想象你要测量一座山峰的高度，但你的测量工具只能测量局部坡度。链式论证就像沿着山脊线一步步向上攀登，每一步只测量当前坡度，但通过累积所有步骤的测量结果，你最终能精确估计山顶的高度。在本文的语境中，“山峰”就是L函数在介观区间上的最大值，“坡度”就是每个素数尺度上对数L函数的变化量，“攀登”则是逐层递推的过程。链式论证的精妙之处在于：每一步的误差都被控制在指数级小的范围内，因此即使经过log log q步的累积，总误差仍然可控。
此外，论文在链式论证中引入了一个重要的技术细节：对每个尺度层，截断函数g_j的选择必须满足一定的“相容性条件”——即相邻层的截断函数不能相差太大，否则链式递推的误差会失控。这个相容性条件通过对数相关场的协方差结构来保证，具体来说，相邻层之间的相关性由log(P_{ℓ+1}/P_ℓ)的倒数控制，而P_{ℓ+1}/P_ℓ = e^{-1}是常数，因此相关性也是常数阶的。这个看似简单的观察，实际上是链式论证能够成立的关键。
主要定理与证明策略：从矩估计到极值上界 论文的主要成果可以划分为三个层次。第一个层次是定理1，处理θ=0时的矩估计：对均匀随机选取的模q的Dirichlet特征，配分函数的r次矩满足一个干净的上界，其中r∈[0,1]。这个上界里的分母1+(1-r)√(log log q)并不是技术瑕疵——当r接近1时矩的大小几乎是log(q)本身，而当r远离1时√(log log q)的修正开始显现，完美对应临界GMC的Seneta-Heyde归一化。
第二个层次是定理2，把矩估计推广到介观区间θ<0，并加入显式条件。定理2的结论是：在限定Y_{P_θ}(0)∈[W,W+1]的条件下，配分函数的r次矩上界为(e^{2W}log^{1+2θ}(q)/(1+(1-r)√(log log q)))^r。这里的e^{2W}因子直接来自条件——光滑部分的贡献越大，矩自然越大，而log^{1+2θ}(q)反映了介观区间长度与光滑部分尺度的相互作用。特别地，对 ∥W∥ 取全体实数再积分，就是把条件从“落在某个单位区间”放松到“不超过W”，得到的尾部概率正好与SW猜想的q-类比吻合。
第三层次，也是全篇最硬核的结果——定理3，给出了q-方面FHK猜想的极值上界：
公式6：定理3——极值上界匹配q-方面FHK猜想到二阶修正项
看到这个结果，龙哥的表情是这样的。不是因为这个上界有多“准”，而是这个证明路径太巧妙了——先写一个Cauchy积分公式把最大值“圈”起来，再用近似函数方程把L函数转换成求和，最后把求和与配分函数挂钩。
定理3的证明策略值得一提。首先，对每个特征χ，设h_χ是最大值点。用Cauchy积分公式，把L(1/2+ih_χ,χ)表示为一个围绕该点的小矩形上的积分：
公式7：用Cauchy积分公式把最大值点处的L值转化为小矩形边界上的积分
矩形的边长约为1/log q，这个尺度的选择很有讲究：它足够小，使得L函数在这个范围内近似为常数；又足够大，使得矩形边界上的积分可以使用均值定理来估计。接下来，对矩形的四条边分别应用近似函数方程，把L函数替换为长度约√(q/2π)的Dirichlet多项式。
公式8：近似函数方程——把L函数截断为约√(q/2π)长度的Dirichlet多项式
随后的处理分为两条线：一是对“粗糙”部分（素因子大于P的整数）使用均值定理和Cauchy-Schwarz不等式；二是对“光滑”部分使用带条件的矩估计（也就是定理2）。两股力量合流后，借助Holder不等式把高阶矩信息转化为尾部概率，最终得到定理3的完整上界。指数里出现(log log log q)²这个因子并非多余——它来自对多重对数迭代的精细追踪，是本文在技术层面最“烧脑”的地方。
在定理3的证明中，还有一个值得注意的细节：Cauchy积分公式中矩形边长的选择并非随意，而是经过精心优化的。如果边长太大，L函数在矩形边界上的变化会超出可控范围；如果边长太小，均值定理的估计精度会不足。论文选择的边长1/log q恰好处于两者的平衡点——这个尺度与配分函数定义中θ=0时的区间长度一致，并非巧合，而是反映了L函数在临界线上的“自然尺度”。这种尺度选择的精妙之处，在初读论文时容易被忽略，但实际上是整个证明能够成立的关键前提之一。
此外，定理3的证明中还有一个隐含的重要步骤：对粗糙部分的处理。粗糙部分包含素因子大于P的整数，它们的贡献不能通过光滑部分的矩估计来控制，必须单独处理。论文采用的方法是：先将粗糙部分的Dirichlet多项式用Cauchy-Schwarz不等式分离出来，然后利用均值定理估计其二阶矩。这个步骤的代价是参数V被迫取较大值，从而导致上界中的常数不是最优——这是论文作者明确承认的一个技术局限，也是未来改进的可能方向。
未来展望：下界证明与猜想完全解决之路 读到这里，读者可能会问：上界解决了，下界呢？这正是论文承认的“未竟事业”。定理3的证明中有一个关键步骤用Cauchy-Schwarz处理粗糙部分的Dirichlet多项式，导致参数V被迫取过大，这使得上界的常数不是最优。更本质的问题在于：要得到匹配的常数下界，需要证明一个与定理1同阶的下界，而这本质上等价于完整证明Conjecture 1（即q-方面的SW猜想）。论文作者明确表示，这需要与当前完全不同的技术——可能需要推广[ABR23]中概率方法到q-方面，或者采用Harper在2026年即将发表的某种新策略。
不过，即便只有上界，这个结果也已经很了不起了。它首次在q-方面把极值上界推进到与猜想匹配的二阶精度，比此前Arguin-Bourgade-Radziwill在t-方面的上界更进一层。从更大的图景看，这类问题的终极意义在于理解L函数的极值分布与随机矩阵理论、对数相关场的普适性——这是数论与数学物理交汇处最活跃的前沿之一。
一个有趣的现象是：本文的介观区间的矩估计在θ∈(-1/2,0)范围内是齐备的，但逼近θ=-1/2时，方法开始失效。论文中的解释是：当θ接近-1/2时，介观区间长度接近1/√q，此时光滑部分P_θ已经小到难以与粗糙部分分离，均值估计的精度不足以支撑“正确数量级”的结论。这暗示着θ=-1/2可能是一道真正的“相位边界”，需要全新的想法才能跨越。
从更长远的角度看，q-方面极值问题的完全解决还需要克服至少三个障碍。第一，下界证明需要新的技术工具——现有的概率方法在q-方面会遇到特征平均与概率平均之间的“鸿沟”，需要找到跨越这道鸿沟的新途径。第二，常数最优性问题——定理3的上界常数不是最优的，要得到最优常数需要更精细地处理粗糙部分的贡献，这可能需要引入更高阶的均值定理或者全新的分解技巧。第三，θ=-1/2处的临界行为——这个边界点可能对应着某种“相变”，需要发展新的数学工具来理解这个临界现象。这些障碍既是挑战，也是未来研究的方向。
龙迷三问 这篇论文到底在解决什么问题？ β=2配分函数揭示L函数在临界区的极值上界，典型Dirichlet特征的最大值匹配FHK猜想预测直至二阶修正项，为q方面两大猜想——Fyodorov-Hiary-Keating与Saksman-Webb——提供了关键证据，也是Ha这篇工作最值得看的点是什么？ 本论文为纯理论数学论文，无实验数据。主要成果包括：定理1给出θ=0时配分函数矩上界；定理2给出介观区间条件化矩上界；定理3给出典型Dirichlet特征下L函数最大值的上界，匹配Fyodorov–Hiary–Keating猜想预测至二阶修正项。这篇工作的边界或风险在哪里？ 优点：1) 将Harper随机化论证成功推广至q-方面Dirichlet L函数；2) 引入显式条件化处理介观区间问题，方法新颖；3) 链式论证实现单点条件化，简化了多点条件化复杂度；4) 定理3的上界匹配猜想预测至二阶项。缺点：1) 仅证明上界，未给出匹配下界；2) 定理3证明中Cauchy-Schwarz处理导致参数V取值过大；3) 方法依赖Harper的随机化框架，独立性较强。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： ★★★★☆
利用Harper的随机化论证，将Dirichlet特征和转化为Steinhaus随机乘性函数和，通过显式条件化处理介观区间上的配分函数矩上界，并运用链式论证实现单点条件化。实验合理度： ★★★☆☆
现有材料未完整覆盖数据划分、基线公平性和统计显著性，因此按中性评价处理。学术研究价值： ★★★★☆
利用Harper的随机化论证，将Dirichlet特征和转化为Steinhaus随机乘性函数和，通过显式条件化处理介观区间上的配分函数矩上界，并运用链式论证实现单点条件化；更关键的是问题定义是否可复用到同类任务。稳定性： ★★★☆☆
现有材料未提供充分的极端条件、重复运行或扰动测试，稳定性暂按中性评价。适应性以及泛化能力： ★★★☆☆
现有材料未完整展示跨数据集、跨场景或分布外实验，泛化能力仍需进一步验证。硬件需求及成本： ★★★☆☆
现有材料缺少完整训练资源、参数量、显存和推理时延信息，成本暂按中性评价。复现难度： ★★★☆☆
现有材料未确认完整代码、配置、数据处理脚本和权重是否齐备，复现难度暂按中性评价。产品化成熟度： ★★★☆☆
论文验证以研究实验为主，真实部署中的时延、成本、维护和异常场景仍需补充验证。可能的问题： ，方法新颖；3) 链式论证实现单点条件化，简化了多点条件化复杂度；4) 定理3的上界匹配猜想预测至二阶项。缺点：1) 仅证明上界，未给出匹配下界；2) 定理3证明中Cauchy-Schwarz处理导致参数V取值过大；
[FHK12] Fyodorov, Hiary, Keating. Maxima of the Riemann zeta function. 2012. [SW20] Saksman, Webb. The Riemann zeta function and Gaussian multiplicative chaos. 2020. [Har19] Harper. On the partition function of the Riemann zeta function. 2019. [Har23] Harper. Moments of random multiplicative functions and the characteristic polynomial of unitary matrices. 2023. [ABR20] Arguin, Bourgade, Radziwill. Maxima of the Riemann zeta function. 2020. [ABR23] Arguin, Bourgade, Radziwill. Maxima of the Riemann zeta function (extended). 2023. [AH24] Arguin, Hamdan. Mesoscopic maxima of the Riemann zeta function. 2024. [Vih25] Vihko. Random Dirichlet L-functions converge to Steinhaus random Euler product. 2025. [HSX26] Harper, Soundararajan, Xu. Sums of random multiplicative functions over short intervals. 2026. *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！
🎰 素数的"开奖号码"都被算到二阶修正了，你的研究方向要不要也来配个分？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 数论+北京+清华+龙哥），按格式备注可更快通过邀请进群。
『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，等你来聊那些"算不出的运气"～
*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！
