🔢 mathematics

High-Precision Approximation of Riemann Zeros via the Truncated Weil Form

Dieser Beitrag stellt die erste öffentliche Implementierung der abgeschnittenen Weil'schen quadratischen Form von Connes und van Suijlekom vor und zeigt, dass deren Eigenwerte des Grundzustands mit zunehmendem Abschneideparameter monoton und mit extremer Präzision (bis zu 329 Dezimalstellen) gegen die Riemannschen Nullstellen konvergieren, wobei Konvergenzraten und spektrale Eigenschaften empirisch validiert werden, ohne eine formale Beweisführung der Riemannschen Vermutung zu beanspruchen.

Ursprüngliche Autoren: Akiva Groskin

Veröffentlicht 2026-05-21

📖 6 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Akiva Groskin

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Das große Bild: Ein Radio abstimmen, um versteckte Sender zu finden

Stellen Sie sich vor, die Riemannsche Zeta-Funktion ist ein riesiger, komplexer Radiosender, der ein Signal durch das Universum der Mathematik sendet. In diesem Signal verborgen sind bestimmte „Frequenzen", die sogenannten Riemannschen Nullstellen. Diese Nullstellen sind berühmt, denn wenn sie alle auf einer spezifischen „kritischen Linie" (eine gerade Linie in einem Diagramm) liegen, beweist dies die Riemannsche Vermutung, eines der größten ungelösten Rätsel der Mathematik.

Seit Jahrzehnten versuchen Mathematiker, diese Frequenzen zu finden. Im Jahr 2026 schlug eine Gruppe unter der Leitung von Alain Connes einen neuen Weg vor, um auf diese Frequenzen abzustimmen, indem sie eine mathematische Maschine namens Weilsche quadratische Form verwendeten. Sie schlugen vor, dass wenn man diese Maschine mit einem spezifischen „Abschnitt" (einer Grenze dafür, wie viele Primzahlen man in die Maschine lässt) baut, die Maschine einen „Grundzustand" (ihre niedrigste Energieeinstellung) erzeugt. Die Nullstellen dieses Grundzustands sollen sich perfekt mit den Riemannschen Nullstellen decken.

Die große Frage: Funktioniert diese Maschine tatsächlich? Wenn man die Maschine größer macht und mehr Primzahlen hereinlässt (die Grenze erhöht), kommen die Nullstellen den echten Riemannschen Nullstellen dann immer näher, oder wandern sie einfach nur herum?

Was dieses Papier leistete: Die Maschine von Grund auf neu bauen

Der Autor, Akiva Groskin, hat nicht nur geraten; er hat die Maschine mit einem Computer von Grund auf neu gebaut.

Unabhängige Reproduktion: Niemand sonst hatte öffentlich den Code geteilt, um diese spezifische Maschine zu bauen. Groskin schrieb seinen eigenen Code (in Python), um die „Connes–van Suijlekom"-Matrix nachzubilden. Es ist wie der Bau einer Replik eines berühmten, komplexen Uhrwerks aus einem Bauplan, um zu sehen, ob es tatsächlich tickt.
Der Test: Sie ließen die Maschine bei 16 verschiedenen Einstellungen (Abschnitten) laufen, beginnend klein (Primzahlen bis 13) und werdend größer (bis 100).
Das Ergebnis: Die Maschine funktionierte unglaublich gut.
- Bei der kleinsten Einstellung war der Fehler winzig (etwa 1 Teil in $10^{55}$ ).
- Bei der größten Einstellung (Abschnitt 67) wurde der Fehler unvorstellbar klein (etwa 1 Teil in $10^{168}$ ).
- Analogie: Stellen Sie sich vor, Sie versuchen, aus der ganzen Galaxie eine Zielscheibe in der Größe eines Sandkorns zu treffen. Am Anfang lagen Sie einige Zentimeter daneben. Am Ende lagen Sie weniger als die Breite eines einzelnen Atoms daneben.

Das „C = 100"-Experiment: Die Grenzen ausreizen

Das Papier hielt nicht bei den Standardeinstellungen inne. Sie trieben die Maschine auf eine viel höhere Einstellung: Abschnitt 100. Das ist, als würde man die Lautstärke auf Maximum drehen, um zu sehen, ob das Signal klar bleibt oder verzerrt wird.

Die Herausforderung: Bei dieser hohen Einstellung begann die Maschine, ein gewisses „Rauschen" zu zeigen (mathematisch ausgedrückt: einige negative Zahlen erschienen, wo es nur positive geben sollte). Das ist wie ein Radio, das ein wenig statisches Rauschen einfängt.
Die Lösung: Der Autor filterte das Rauschen sorgfältig heraus und konzentrierte sich auf den „positiven Zweig" des Signals.
Die Entdeckung: Selbst mit dem Rauschen konnte die Maschine die ersten 10 Riemannschen Nullstellen mit über 300 korrekten Dezimalstellen vorhersagen. Dies ist die tiefste und genaueste Vorhersage dieser Art, die je öffentlich gemacht wurde.
Der Vergleich: Sie verglichen ihre Ergebnisse mit einer „heuristischen Vorhersage" (einem klugen Raten) von Connes. Ihre Ergebnisse stimmten sehr gut mit der Vorhersage überein, was darauf hindeutet, dass die Maschine in die richtige Richtung geht, auch wenn sie die Vorhersage nicht als Naturgesetz bewiesen haben.

Wichtige Erkenntnisse und „strukturelle" Beobachtungen

Das Papier ist voller interessanter Muster, die sie beim Bau der Maschine entdeckten:

Die „Form" bleibt gleich: Obwohl sich das „Volumen" (die Eigenwerte) um massive Beträge änderte (um Billionen Male kleiner), blieb die „Form" des Signals (der Eigenvektor) fast identisch. Es ist wie eine Gitarrensaite, die leiser und leiser wird, aber weiterhin exakt nach demselben Muster vibriert.
Es geht nicht nur um Primzahlen: Sie fanden heraus, dass die Verbesserung der Genauigkeit hauptsächlich davon kam, den „Raum" (das Intervall) größer zu machen, und nicht nur davon, mehr Primzahlen hinzuzufügen. Es ist die Größe des Behälters, die am wichtigsten ist.
Keine einfache Formel: Sie versuchten, die Daten an einfache mathematische Kurven anzupassen (wie eine gerade Linie oder eine glatte Kurve), aber keine davon funktionierte perfekt. Die Konvergenz (wie schnell es besser wird) ist komplex und folgt noch keiner einfachen Regel.
Zufall vs. Ordnung: Der „Bulk" der internen Zahlen der Maschine (diejenigen, die nicht die Hauptnullstellen sind) verhielt sich wie zufällige, unverbundene Ereignisse (Poisson-Statistik), anstatt wie das hochgeordnete, abstoßende Muster (GUE-Statistik), für das die eigentlichen Riemannschen Nullstellen berühmt sind. Dies deutet darauf hin, dass das „Rauschen" in der Maschine anders ist als das „Signal", nach dem wir suchen.

Was sie NICHT behaupteten (Die „ehrlichen Nicht-Behauptungen")

Der Autor ist sehr vorsichtig, keine überzogenen Versprechen zu machen:

Kein Beweis der Riemannschen Vermutung: Sie haben nicht bewiesen, dass die Vermutung wahr ist. Sie zeigten nur, dass diese spezifische Maschine dem Ergebnis unglaublich nahe kommt.
Kein Konvergenzbeweis: Sie haben nicht bewiesen, dass die Maschine wird das exakte Ergebnis erreichen, wenn sie unendlich groß wird. Sie zeigten nur, dass sie im getesteten Bereich immer näher kommt.
Kein Allheilmittel: Die „negativen Zahlen" (das Rauschen), die bei der hohen Einstellung auftraten, sind immer noch ein Rätsel. Sie könnten ein Fehler in der Mathematik sein oder ein echtes Merkmal. Der Autor hat dies nicht gelöst; er hat es nur berichtet.

Das Fazit

Dieses Papier ist eine massive Leistung der experimentellen Mathematik. Der Autor baute eine komplexe mathematische Maschine, stimmte sie mit extremer Präzision ab und zeigte, dass sie die Riemannschen Nullstellen mit beispielloser Genauigkeit vorhersagen kann.

Stellen Sie sich vor, es ist ein Meisteruhrmacher, der eine neue Art von Uhr baut. Er hat nicht bewiesen, dass die Zeit so funktioniert, wie Einstein sagte, aber er hat eine Uhr gebaut, die so perfekt die Zeit hält, dass sie den theoretischen Vorhersagen der Zeit fast genau entspricht. Dies gibt anderen Mathematikern ein mächtiges neues Werkzeug, um das Rätsel zu studieren, auch wenn der endgültige „Beweis" noch außerhalb der Reichweite liegt.

Das Papier endet mit einem Versprechen: Der gesamte Code, die Daten und die Ergebnisse sind öffentlich. Jeder kann die „Maschine" herunterladen, sie ausführen und die Ergebnisse selbst überprüfen.

Technisches Fazit: Hochpräzise Approximation der Riemannschen Nullstellen mittels der abgeschnittenen Weil-Form

Problemstellung
Der Beitrag behandelt eine offene Frage innerhalb der spektralen Interpretation der Riemannschen Vermutung (RH), wie sie von Alain Connes und Mitarbeitern vorgeschlagen wurde. Konkret untersucht er die Konvergenz der Nullstellen des Grundzustands der abgeschnittenen Weil-Quadratform zu den tatsächlichen Riemannschen Nullstellen, wenn der Abschneideparameter $c$ (der die Primzahlen $p \le c$ steuert) gegen Unendlich strebt. Während Connes–van Suijlekom (2025) bewiesen haben, dass diese Nullstellen für jedes endliche $c$ auf der kritischen Geraden liegen, bleibt die Konvergenz zu den wahren Riemannschen Nullstellen für $c \to \infty$ unbewiesen. Vor dieser Arbeit existierte keine unabhängige öffentliche Implementierung der Galerkin-Matrix von Connes–van Suijlekom, und keine unabhängige Reproduktion der von Connes (2026) oder Connes–Consani–Moscovici (2025) berichteten numerischen Daten war veröffentlicht worden.

Methodik
Der Autor stellt eine hochpräzise numerische Implementierung der Galerkin-Matrix aus Proposition 4.1 von Connes–van Suijlekom vor, unter Verwendung von Python und der Bibliothek mpmath für beliebige Genauigkeit.

Operator-Konstruktion: Die Implementierung konstruiert die Projektion des geraden Sektors der abgeschnittenen Weil-Quadratform auf $L^2([0, \log c])$ . Die Matrixeinträge leiten sich aus einem Kern ab, der einen archimedischen Mellin-Multiplikator (unter Einbeziehung der Digamma-Funktion) und eine endliche Summe über Primzahlen $p \le c$ umfasst.
Unitäre Äquivalenz: Der Beitrag zeigt, dass die implementierte Matrix unitär äquivalent zur Matrix ist, die in Lemma 5.1 von Connes–Consani–Moscovici (2025) definiert wird, und bestätigt somit, dass die Berechnung dasselbe spektrale Objekt adressiert.
Numerische Strategie:
- Genauigkeit: Berechnungen nutzen bis zu 1000 Dezimalstellen (dps), um Rückwärtsfehler-Böden zu vermeiden, mit spezifischen Durchläufen bei dps=500 und dps=1000.
- Quadratur: Adaptive tanh–sinh-Quadratur wird für das archimedische Integral verwendet, wobei ein Abschneidewert $T=800$ für die Konvergenz verifiziert wurde.
- Eigenwertextraktion: Der kleinste positive Eigenwert ( $\lambda_{\min}^{even}$ ) der Matrix des geraden Sektors wird berechnet. Der entsprechende Eigenvektor wird verwendet, um Riemannsche Nullstellen ( $\gamma_k$ ) über die Fourier–Mellin-Transformation des Grundzustands zu extrahieren.
- Validierung: Die Studie umfasst eine Kreuzvalidierung gegen veröffentlichte Werte bei $c=13$ und $c=14$ sowie einen Out-of-Sample-Test bei $c=100$ mit einem Durchlauf von Basisgrößen $N \in \{100, 150, 200, 250\}$ .

Hauptbeiträge

Erste unabhängige Implementierung: Dies ist die erste öffentliche, unabhängige Reproduktion der Galerkin-Matrix von Connes–van Suijlekom. Sie reproduziert den Fehler der ersten Nullstelle bei $c=13$ innerhalb eines Faktors von 1,3 der von Connes (2026) und Connes–Consani–Moscovici (2025) berichteten Werte.
Erweiterter numerischer Durchlauf: Die Studie erweitert die Messungen auf fünfzehn Abschneidewerte ( $c=13$ bis $67$) und einen sechzehnten Abschneidewert bei $c=100$ . Über den In-Sample-Bereich ( $c \le 67$ ) bei $N=100$ nimmt der absolute Fehler $|\gamma_1 - \gamma_{\text{Riemann}}|$ monoton von $\sim 2 \times 10^{-55}$ auf $\sim 1,5 \times 10^{-168}$ ab und umfasst 113 Größenordnungen.
Out-of-Sample-Test bei $c=100$ : Bei $c=100$ führt der Autor einen $N$ -Durchlauf durch, um das Konvergenzverhalten zu testen. Unter Verwendung der Aitken- $\Delta^2$ -Extrapolation auf der Folge der kleinsten positiven Eigenwerte wird der geschätzte Grenzwert $\log_{10}|\lambda_{\min}^{even}(\infty)|$ auf etwa $-533,7$ bis $-536,8$ bestimmt. Dies nähert sich der heuristischen Kontinuumsvorhersage von Connes (2026) ( $\approx -530,4$ ) mit Lücken von 3,3 bis 6,4 Größenordnungen an und liefert eine empirische Konsistenz mit der theoretischen Heuristik.
Strukturelle Charakterisierung: Der Beitrag identifiziert mehrere strukturelle Eigenschaften des Operators endlicher $N$ $N$ :
- Eigenvektor-Invarianz: Trotz einer Variation der Eigenwerte um 113 Größenordnungen zeigen die Grundzustands-Eigenvektoren über verschiedene Abschneidewerte hinweg eine hohe Überlappung ( $>0,95$ ), was auf eine approximative $c$ -Invarianz hindeutet.
- Konvergenzraten: Alle zehn detektierbaren Nullstellen ( $\gamma_1$ bis $\gamma_{10}$ ) konvergieren mit Raten, die innerhalb von 3,8 % voneinander liegen.
- Sobolev-Regularität: Ein empirischer Galerkin-Konvergenzexponent $s(c) \approx 55 \log c - 128$ wird identifiziert, was auf eine zunehmende Regularität mit $c$ hindeutet.
- Bulk-Statistik: Das Bulk-Spektrum (unter Ausschluss des Grundzustands) folgt Poisson-Statistik ( $\beta < 0,05$ ), was auf keine Niveausabstoßung hinweist. Die Autoren stellen fest, dass dies ein strukturelles Diagnosemerkmal des abgeschnittenen Operators ist und keine Prüfung der Montgomery-Vermutung darstellt (die auf lokal skalierte Nullstellen angewendet wird).
Erweiterung auf Dirichlet-L-Funktionen: Eine vorläufige Portierung auf $L(s, \chi_3)$ zeigt einen oszillierenden Zusammenbruch der Positivität bei bestimmten Abschneidewerten ( $c=23, 29$ ), im Gegensatz zur stabilen Positivität, die im Fall der Riemannschen Zeta-Funktion für $c \le 67$ beobachtet wurde.

Ergebnisse und Daten

Fehlerreduktion: Bei $c=100, N=250, \text{dps}=500$ erreicht die Extraktion der ersten zehn Riemannschen Nullstellen 307–329 übereinstimmende Dezimalstellen.
Falsifizierung einfacher Modelle: Acht glatte Konvergenzmodelle mit zwei Parametern (linear, quadratisch, exponentiell in $L$ oder $\pi(c)$ ) wurden getestet und verworfen. Ein log-periodisches Modell mit fünf Parametern wurde ebenfalls Out-of-Sample bei $c=53$ falsifiziert.
Endliches $N$ vs. Kontinuum: Die empirische Anpassung $|\log_{10} \lambda| \approx 13,24 c^{0,634}$ , abgeleitet aus Daten für $c \le 67$ , erweist sich als Rate endlichen $N$ und nicht als Kontinuum-Asymptote. Sie wird bei $c=100$ durch eine Abweichung von 49 Größenordnungen in Richtung schnellerer Abnahme falsifiziert.
Negative Eigenwerte: Bei $c=100$ enthält die rohe Matrix endlichen $N$ einen kleinen Block negativer Eigenwerte. Der Autor berichtet den kleinsten positiven Eigenwert als empirisch stabilen Zweig und stellt fest, dass die Identifikation dieses Zweigs mit dem theoretischen Grundzustand von der Natur dieser negativen Werte abhängt (wahrscheinlich durch Bedingungen verursachte Artefakte).

Behauptungen und Bedeutung
Der Beitrag behauptet ausdrücklich nicht, die Riemannsche Vermutung zu beweisen oder Connes' Konvergenzvermutung zu validieren.

Art des Beitrags: Die Arbeit wird als „experimentelle Mathematik" präsentiert, die reproduzierbare numerische Daten und eine sorgfältige Interpretation im bestehenden Rahmen von Connes–van Suijlekom/Connes–Consani–Moscovici liefert.
Konsistenz, kein Beweis: Die Übereinstimmung zwischen der Aitken-Extrapolation bei $c=100$ und der Heuristik von Connes (2026) wird als empirischer Konsistenztest berichtet, nicht als Theorem. Der Autor betont, dass die Aitken-Beschleunigung Annahmen über die lokale Form der Konvergenzfolge voraussetzt.
Status der Hypothese: Die Anwendung von Theorem 1.1 von Connes–Consani–Moscovici auf die Daten bei $c=100$ wird mit einer „Hypothese-Status-Klausel" behandelt, aufgrund des Vorhandenseins negativer Eigenwerte in der rohen Matrix, von denen angenommen wird, dass sie im Kontinuumslimes nicht existieren.
Bedeutung: Die primäre Bedeutung liegt in der Bereitstellung der ersten unabhängigen, hochpräzisen numerischen Verifikation des Rahmens von Connes–van Suijlekom, der Erweiterung des Bereichs getesteter Abschneidewerte und der Charakterisierung des strukturellen Verhaltens (Eigenvektor-Stabilität, Konvergenzraten und spektrale Statistik) des abgeschnittenen Operators. Die Daten schränken theoretische Arbeiten ein, indem sie die Effekte endlichen $N$ quantifizieren und zeigen, dass einfache glatte Modelle das Konvergenzverhalten im gemessenen Bereich nicht erfassen können.