先来一个灵魂拷问：你手里有一个定义在球面上的场，比如全球卫星云图、地球重力场或者海洋温度分布。你要设计一个重建算子，既要把已经解析出来的低频分量一滴不漏地保住，又希望输出是严格带限的——毕竟高频永远写不完、算不尽。听起来是不是很合理？可一旦把这两个要求同时写进“合同”，数学家会告诉你：正性永远保不住。也就是说，把一个处处非负的输入喂进去，输出却可能在某个地方冒出一个负数来。 做气象和地球物理的人看到这个结论大概会心头一紧：浓度、雨量、概率密度这种东西一旦算成负的，物理上完全没法解释。过去大家只能“忍”，知道谱方法会有轻微下冲，但谁也说不清这个下冲到底能压到多小。这篇来自作者 Hao-Ning Wu 的最新数学论文，给出了一个非常干脆的答案：最小正性损失恰好是 (L/(N+1))² 这个数量级，其中 L 是要求精确复现的频率上限，N 是允许输出的最大带宽。多给你一点过渡带，正性损失就能变小一点，但最多只能按平方律去逼近那个理想值 1。式1：论文主定理。对任意维数 d≥1，只要精确复现带宽 L 与输出带宽 N 满足 L ≤ κN，广义投影常数超出 1 的量就夹在 c_d(L/(N+1))² 和 C_{d,κ}(L/(N+1))² 之间。这里的 c_d 只取决于球面维数，C_{d,κ} 不依赖于 L 和 N。换句话说，这是一个非常漂亮的“不可能三角”定量版：在球面谱逼近里，精确复现低频、限制输出带宽、保持正性，三者不可能同时完美实现；但这篇论文把“损失有多大”这个问题从哲学层面拉回到了可以计算的数学层面。过渡带越宽，正性损失越小，而且这个衰减速度被死死限制在平方阶上，谁也没法耍赖。
从不可能三角到定量刻画：正性、精确重构与有限带宽
先把架子搭起来。设 S^d 是 d 维单位球面，C(S^d) 是它上面全体连续函数组成的巴拿赫空间，范数取一致范数。P_n 表示所有次数不超过 n 的实球面多项式组成的空间。任何一个有界线性算子 A 如果想把 P_L 里的低频模式完整保住，相当于要求下面这个“精确复现条件”：式2：精确复现条件。A p = p 对一切 p ∈ P_L 成立，也就是说所有不超过 L 阶的球面多项式都被 A 原封不动地送回。这个条件保证了低频信息不丢失。另一方面，输出必须是有限维的，所以要求 A 的值域落在 P_N 里，也就是输出的带宽不超过 N。用频谱的语言说，L 到 N 之间的那些阶数 L+1, …, N 构成一条过渡带：它们是滤波器可以自由整形、用来抑制振荡的拓展空间。式3：输出带限条件。算子 A 的值域包含在 P_N 中，也就是所有输出都只是带宽不超过 N 的球面多项式。这条约束保证算子具有有限维表示，可以实际计算。现在问题来了：如果同时要求这两条，A 就至少不是恒等算子。那么一个同时满足这两个条件的算子，距离“正性算子”到底有多远？为了量化这个距离，论文定义了所谓正性损失。对 A1 = 1 的算子，里斯-马尔可夫表示定理告诉我们，A 在每个点 x 上的取值都可以写成一个带符号测度 μ_x 对 f 的积分。把 μ_x 按若尔当分解拆成正部和负部，负部的总质量代表了这个点最严重的“下冲”。式4：正性损失 p(A) 被定义为所有点 x 上表示测度负部总质量的上确界。可以把它直观理解为“最坏情况下，把 0 到 1 之间的输入函数送到负值区域的最大深度”。正性损失和算子范数之间有一条完全精确的等式。这也是全文最核心的杠杆：求最小范数，等价于求最小正性损失。式5：对满足 A1 = 1 的算子，其一致算子范数恰好等于 1 加上两倍的正性损失。这个等式把“保号性”这一看似柔软的定性概念，转化成硬邦邦的范数计算。于是问题落入一个经典框架：在同时满足精确复现与输出带限条件的所有算子中，范数最小能做到多少？这就是论文里定义的双尺度广义投影常数 λ_d(L,N)。式6：广义投影常数的定义。下标 d 提醒我们球面维数影响常数，但不影响 (L/(N+1))² 这个指数阶。当 L = N 时，它退化到经典的投影常数问题；当 L < N 时，多出来的过渡带给滤波器“削峰”提供了余地。有人也许会问：直接取 A 为单位算子，正性不是完美保留吗？问题是单位算子不满足带限条件；把输出限制在有限维 P_N 里以后，任何试图精确复现 P_L（L≥1）的算子都必然带上负质量。这个“不可能”在 Korovkin 型定理里早有定性版本，但过去没人告诉我们：最小损失到底是 L/N 的一次方、二次方，还是一个指数级小量？
下界证明：Fejér峰值与带限核浓度估计的巧妙结合
拿到这个平方阶下界的路径非常优雅，可以概括成三步：先把一般算子“对称化”成旋转不变的带状算子，再构造一个低阶的“探针函数”去试探它，最后用带限核的浓度估计逼出损失的下限。这三步每一环都踩在点上。第一步叫做对称性约简。任意一个满足条件的算子 A，都可以在正交群 O(d+1) 上做一次平均，得到一个同样满足精确复现和带限条件、且范数不超过原来算子的新算子。平均之后，这个算子在旋转下可交换，于是它将不再混合不同的球面调和阶，变成一个由带状核 K(x·y) 给出的积分算子。式7：对称化之后，原问题被约简成只考虑带状核算子。带状核意味着积分核只依赖两个点之间的内积 x·y，因此具有天然的旋转不变性。这个约简把无穷维的算子优化问题压缩成一条有限长度的频谱系数序列的优化问题。第二步，构造Fejér峰值多项式。取北极点 e，定义 R_L(e·y) 为归一化的 Fejér 核。它在 e 点处取到 1，在远离 e 的地方迅速衰减，而且它本身是次数不超过 L 的球面多项式。把它反转一下，得到测试函数 q_{L,e} = 1 − R_{L,e}。这个函数在 e 点等于 0，在离 e 距离为 ρ 的地方至少像 min{1, L²ρ²} 一样大。这就是一个理想的“探针”：低阶、非负、在局部被压得极低，而外面撑起了一个足够大的平台。式8：Fejér峰测试函数 q_{L,e} 的下界估计。这一不等式将球面几何距离 ρ 和频谱参数 L 直接联系起来，是后面把几何信息转化为频谱估计的关键桥梁。第三步是整个证明的题眼：一个带宽只有 N 的球面多项式，不可能把所有正质量都浓缩在半径约 1/N 的小球冠内部。这个结论由一个带显式常数的 L¹-Nikolskii 型估计支撑：P_N 里任意多项式的最大值范数不超过它 L¹ 范数的 dim P_N 倍。式9：L¹-Nikolskii 估计。如果一个带限多项式在 L¹ 意义下规模受限，那么它在一致范数意义下也不可能过大。证明的关键是利用 P_N 的再生核在 x = x 处的值正好等于 P_N 的维数，再借助柯西-施瓦茨不等式一锤定音。把这三步串起来：对任意满足条件的算子，对称化后的核 K 的非负部分如果过于集中在 e 点附近的小球冠里，Nikolskii 估计会告诉你这是不可能的；如果它不集中，那么探针函数 q_{L,e} 在那个核上积分就会产生一个不可忽略的负质量。最终得到正性损失不小于常倍数 (L/(N+1))²。这个下界不依赖具体算子的构造，所以压在一切可容许算子头上。这套证明思路最精彩的地方在于：它用“带限函数无法高度集中”这一条物理直觉，同时控制住了“正性损失”这个看上去纯分析的对象。不确定性原理在这里以计数维数的形式重新出场，显得既朴素又深刻。
上界构造：正Jackson算子与平坦滤波器的修正
有下界还得有上界，否则只能说“至少这么差”，而不能说“恰好这么差”。论文的上界构造同样巧妙：要造一个既保低频又带限、同时正性损失只有平方阶的算子，直接设计一个几乎为正的带限核即可。问题的关键在于怎么控制核的负部。论文采用的方案是：拿一个正的 Jackson 逼近算子打底，再接一个平坦的低通修正项。Jackson 算子 J_{k,s} 的核非负，带宽为 k，能保证带宽为 m 的多项式在作用后误差不超过常倍数 (m/k)²。换句话说，Jackson 核本身是一把“钝刀”：它不会制造负数，但切得不够准。式10：Jackson 算子的逼近误差估计。这里的 m 是输入多项式本身的带宽，k 是 Jackson 核的带宽，γ 只是与维数 d 和核参数 s 有关的常数。核越宽，逼近越准，误差按平方衰减。式11：Jackson 型核的标准形式。它本质上是对 Fejér 核取 2s 次幂再归一化，既保证核非负，又让频谱尾部衰减得足够快。接下来是真正的组装步骤：设 I_N 是截断到带宽 N 的理想低通算子，V_L 是一个缓变的光滑滤波算子，它只微调高频端系数但范数有界。论文构造的组合算子是式12：最终构造的算子 T_{L,N}。第一项 I_N 保证输出带宽不超过 N；第二项中 V_L 负责在低频段做平坦修正，使整个算子在 P_L 上等于恒等。整个构造可以理解为“先让正核充分发挥保号性，再用一个高度平滑的修正项把低频误差抹平”。为什么这个算子能把正性损失控制在平方阶？因为 T_{L,N} 作用到任意函数 f 上时，V_L f 的带宽只有大约 L 的量级，把它再交给带宽 N 的补算子去处理，误差按 (L/(N+1))² 衰减；而使用平坦的 V_L 又保证了不会在中间频段制造明显的吉布斯振荡。于是正的 Jackson 部分是“主项”，补出来的修正项虽然可能带负号，但大小已经被压到平方阶以下。上界与下界一碰，阶数完全闭合。必须承认，这个构造本身非常“工程化”：它不追求某一项指标做到极致，而是让正性、保真度和带宽三个指标同时达到一个可证明的最优折中。这种思维和做系统设计时“不单点优化、而做全局约束满足”的思路如出一辙。
三个重要推论：圆上的广义投影、滤波超插值与最大值原理
主定理如果只是孤零零一个估计，说服力还差一口气。论文将它应用到三个具体场景中，每一个都指向不同的经典问题，这种“一鱼多吃”的处理让整个框架的价值立刻显现出来。第一个推论回到一维圆上的经典傅里叶分析。取 N = sL − 1，也就是输出带宽是精确复现带宽的 s 倍左右。主定理此时给出 λ₁(L, sL−1) − 1 ≍ s⁻²。这个结果非常有意思，因为经典的延迟 de la Vallée-Poussin 均值（delayed de la Vallée-Poussin means）在同参数下的范数超出量只有 s⁻¹。也就是说，虽然延迟 Vallée-Poussin 均值是经典教科书里的标准工具，但它在逼近“最优算子”这件事上并没有做到极限——存在另一个满足同样约束的算子，能把范数在渐近意义下再压低一个数量级。式13：在圆上取 N = sL − 1，广义投影常数超出量精确地按 s⁻² 衰减。这里的符号 ≍ 表示上下两个方向都被常数控制。第二个推论瞄准滤波超插值（filtered hyperinterpolation）。超插值是用离散求积代替连续积分、把谱方法搬到离散数据上的一种重要手段。此前人们只知道滤波超插值算子的范数可以关于 L 一致有界，却不知道这个界离理论最优值 1 还有多远。论文给出一个定量下界：当滤波器固定时，滤波超插值算子 F_L 的范数满足 liminf ≥ 1 + c_d a⁻²，其中 a 是输出带宽与输入带宽的放大比。式14：滤波超插值算子的标准定义。它用一组离散求积权重 wⱼ 和采样点 xⱼ 去近似连续积分，在有限离散数据上实现带宽为 N_L 的谱滤波。这里的关键是求积误差必须足够小，否则离散化会额外破坏保号性。第三个推论有一种“逆向”美感：对任意满足精确复现与带限条件的算子 A，如果它的正性损失已经压到了接近理论最优，那么这个算子必然会让某个 [0,1] 内的输入函数产生非物理的下冲或上冲。形式上，论文证明存在非负函数 f₋ 和 f₊ 以及两个点 x₋、x₊，使得 A f₋(x₋) 明显小于 0，同时 A f₊(x₊) 明显大于 1。这说明一个接近最优的谱方法，其输出必然在某些位置突破 [0,1] 区间——这是最大值原理层面上的结构性障碍，不是靠微调参数能绕开的。式15：这个不等式说的是，只要算子的范数接近理论最优 c_d(L/(N+1))²，就必然同时存在负下冲和正上冲。ε 可以任意小，所以这不是数值误差造成的，而是算子的固有性质。对数值计算者来说，这个推论意味着一个很现实的提醒：如果你在球面上做谱滤波并要求低频无损，那么输出里出现少量负值不是 bug，而是一个已经被证明成立的硬约束。与其花力气设计复杂的后处理去“抹负数”，不如接受这个平方阶的下冲，并在物理模型里预留处理机制。
