🔢 mathematics

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

Cet article présente la première implémentation publique de la forme quadratique de Weil tronquée de Connes-van Suijlekom, démontrant que ses valeurs propres d'état fondamental convergent de manière monotone vers les zéros de Riemann avec une précision extrême (jusqu'à 329 chiffres) à mesure que le paramètre de coupure augmente, tout en validant empiriquement les taux de convergence et les propriétés spectrales sans revendiquer une preuve formelle de l'hypothèse de Riemann.

Auteurs originaux : Akiva Groskin

Publié 2026-05-21

📖 7 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Akiva Groskin

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Le tableau d'ensemble : Accorder une radio pour trouver des stations cachées

Imaginez que la fonction Zêta de Riemann est une gigantesque station de radio complexe émettant un signal à travers l'univers des mathématiques. Cachés à l'intérieur de ce signal se trouvent des « fréquences » spécifiques appelées zéros de Riemann. Ces zéros sont célèbres car, s'ils se trouvent tous sur une « ligne critique » spécifique (une ligne droite sur un graphique), cela prouve l'Hypothèse de Riemann, l'un des plus grands mystères non résolus des mathématiques.

Pendant des décennies, les mathématiciens ont tenté de trouver ces fréquences. En 2026, un groupe dirigé par Alain Connes a proposé une nouvelle façon d'« accorder » ces fréquences en utilisant une machine mathématique appelée la forme quadratique de Weil. Ils ont suggéré que si vous construisez cette machine avec un « seuil » spécifique (une limite sur le nombre de nombres premiers que vous laissez entrer dans la machine), celle-ci produira un « état fondamental » (son réglage d'énergie le plus bas). Les zéros de cet état fondamental devraient s'aligner parfaitement avec les zéros de Riemann.

La grande question : Cette machine fonctionne-t-elle réellement ? À mesure que vous agrandissez la machine et laissez entrer plus de nombres premiers (en augmentant le seuil), les zéros se rapprochent-ils de plus en plus des vrais zéros de Riemann, ou errent-ils simplement ?

Ce que ce papier a fait : Construire la machine à partir de zéro

L'auteur, Akiva Groskin, n'a pas seulement émis des hypothèses ; il a construit la machine à partir de zéro en utilisant un ordinateur.

Reproduction indépendante : Personne n'avait auparavant partagé publiquement le code pour construire cette machine spécifique. Groskin a écrit son propre code (en Python) pour recréer la matrice « Connes–van Suijlekom ». C'est comme construire une réplique d'un moteur à engrenages célèbre et complexe à partir d'un plan pour voir s'il fonctionne réellement.
Le test : Ils ont fait fonctionner la machine à 16 réglages différents (seuils), en commençant petit (en laissant entrer les nombres premiers jusqu'à 13) et en augmentant (jusqu'à 100).
Le résultat : La machine a fonctionné de manière incroyable.
- Au réglage le plus petit, l'erreur était infime (environ 1 partie sur $10^{55}$ ).
- Au réglage le plus grand (seuil 67), l'erreur est devenue inconcevablement petite (environ 1 partie sur $10^{168}$ ).
- Analogie : Imaginez essayer de toucher le centre d'une cible de la taille d'un grain de sable depuis l'autre bout de la galaxie. Au début, vous étiez à quelques centimètres du but. À la fin, vous étiez à moins de la largeur d'un seul atome.

L'expérience « C = 100 » : Pousser les limites

Le papier ne s'est pas arrêté aux réglages standards. Ils ont poussé la machine vers un réglage beaucoup plus grand : seuil 100. C'est comme monter le volume au maximum pour voir si le signal reste clair ou se déforme.

Le défi : À ce réglage élevé, la machine a commencé à montrer un certain « bruit » (mathématiquement, certains nombres négatifs sont apparus là où il ne devrait y avoir que des nombres positifs). C'est comme une radio qui capte un peu de bruit statique.
La solution : L'auteur a soigneusement filtré le bruit et s'est concentré sur la « branche positive » du signal.
La découverte : Même avec le bruit, la machine a pu prédire les 10 premiers zéros de Riemann avec plus de 300 chiffres corrects. C'est la prédiction la plus profonde et la plus précise de ce genre jamais rendue publique.
La comparaison : Ils ont comparé leurs résultats à une « prédiction heuristique » (une hypothèse éclairée) faite par Connes. Leurs résultats correspondaient très étroitement à cette hypothèse, suggérant que la machine se dirige dans la bonne direction, bien qu'ils n'aient pas prouvé que cette hypothèse est une loi de la nature.

Résultats clés et observations « structurelles »

Le papier regorge de motifs intéressants découverts lors de la construction de la machine :

La « forme » reste la même : Même si le « volume » (les valeurs propres) a changé de manière massive (des billions de fois plus petit), la « forme » du signal (le vecteur propre) est restée presque identique. C'est comme une corde de guitare qui devient de plus en plus silencieuse mais continue de vibrer selon exactement le même motif.
Ce n'est pas seulement une question de nombres premiers : Ils ont constaté que l'amélioration de la précision provenait principalement de l'agrandissement de la « pièce » (l'intervalle), et non simplement de l'ajout de plus de nombres premiers. C'est la taille du contenant qui compte le plus.
Pas de formule simple : Ils ont essayé d'ajuster les données à des courbes mathématiques simples (comme une ligne droite ou une courbe lisse), mais aucune ne fonctionnait parfaitement. La convergence (la vitesse à laquelle cela s'améliore) est complexe et ne suit pas encore de règle simple.
Aléatoire contre ordre : Le « gros » des nombres internes de la machine (ceux qui ne sont pas les zéros principaux) se comportait comme des événements aléatoires et non connectés (statistiques de Poisson), plutôt que comme le motif hautement ordonné et répulsif (statistiques GUE) pour lequel les vrais zéros de Riemann sont célèbres. Cela suggère que le « bruit » dans la machine est différent du « signal » que nous recherchons.

Ce qu'ils n'ont PAS affirmé (les « non-affirmations honnêtes »)

L'auteur est très prudent pour ne pas trop promettre :

Pas de preuve de l'Hypothèse de Riemann : Ils n'ont pas prouvé que l'hypothèse est vraie. Ils ont simplement montré que cette machine spécifique s'approche incroyablement de la réponse.
Pas de preuve de convergence : Ils n'ont pas prouvé que la machine finira par atteindre la réponse exacte à mesure qu'elle devient infiniment grande. Ils ont simplement montré qu'elle se rapproche de plus en plus dans la plage qu'ils ont testée.
Pas de solution miracle : Les « nombres négatifs » (le bruit) apparus au réglage élevé restent un mystère. Ils pourraient être un bug dans les mathématiques, ou bien une véritable caractéristique. L'auteur ne l'a pas résolu ; il l'a simplement rapporté.

La conclusion

Ce papier est une réalisation majeure en mathématiques expérimentales. L'auteur a construit un moteur mathématique complexe, l'a accordé avec une extrême précision et a montré qu'il peut prédire les zéros de Riemann avec une précision sans précédent.

Pensez-y comme un maître horloger construisant un nouveau type d'horloge. Il n'a pas prouvé que le temps fonctionne comme Einstein l'a dit, mais il a construit une horloge qui garde le temps si parfaitement qu'elle correspond presque exactement aux prédictions théoriques du temps. Cela offre aux autres mathématiciens un nouvel outil puissant pour étudier le mystère, même si la « preuve » finale reste hors de portée.

Le papier se termine par une promesse : Tout le code, les données et les résultats sont publics. N'importe qui peut télécharger la « machine », l'exécuter et vérifier les résultats par lui-même.

Résumé technique : Approximation de haute précision des zéros de Riemann via la forme quadratique de Weil tronquée

Énoncé du problème
L'article aborde une question ouverte au sein de l'interprétation spectrale de l'Hypothèse de Riemann (HR) proposée par Alain Connes et ses collaborateurs. Plus précisément, il examine la convergence des zéros de l'état fondamental de la forme quadratique de Weil tronquée vers les zéros réels de Riemann lorsque le paramètre de coupure $c$ (contrôlant les nombres premiers $p \le c$ ) tend vers l'infini. Bien que Connes–van Suijlekom (2025) aient prouvé que ces zéros se situent sur la droite critique pour tout $c$ fini, la convergence vers les vrais zéros de Riemann lorsque $c \to \infty$ reste non prouvée. Avant ce travail, aucune implémentation publique indépendante de la matrice de Galerkin de Connes–van Suijlekom n'existait, et aucune reproduction indépendante des données numériques rapportées par Connes (2026) ou Connes–Consani–Moscovici (2025) n'avait été publiée.

Méthodologie
L'auteur présente une implémentation numérique de haute précision de la matrice de Galerkin de la Proposition 4.1 de Connes–van Suijlekom, utilisant Python et la bibliothèque mpmath pour l'arithmétique à précision arbitraire.

Construction de l'opérateur : L'implémentation construit la projection du secteur pair de la forme quadratique de Weil tronquée sur $L^2([0, \log c])$ . Les entrées de la matrice sont dérivées d'un noyau impliquant le multiplicateur de Mellin archimédien (impliquant la fonction digamma) et une somme finie sur les nombres premiers $p \le c$ .
Équivalence unitaire : L'article établit que la matrice implémentée est unitairement équivalente à la matrice définie dans le Lemme 5.1 de Connes–Consani–Moscovici (2025), confirmant que le calcul vise le même objet spectral.
Stratégie numérique :
- Précision : Les calculs utilisent jusqu'à 1000 chiffres décimaux (dps) pour éviter les plafonds d'erreur inverse, avec des balayages spécifiques à dps=500 et dps=1000.
- Quadrature : Une quadrature adaptative tanh–sinh est utilisée pour l'intégrale archimédienne, avec une coupure $T=800$ vérifiée pour la convergence.
- Extraction des valeurs propres : La plus petite valeur propre positive ( $\lambda_{\min}^{even}$ ) de la matrice du secteur pair est calculée. Le vecteur propre correspondant est utilisé pour extraire les zéros de Riemann ( $\gamma_k$ ) via la transformée de Fourier–Mellin de l'état fondamental.
- Validation : L'étude inclut une validation croisée par rapport aux valeurs publiées pour $c=13$ et $c=14$ , et un test hors échantillon à $c=100$ avec un balayage de tailles de base $N \in \{100, 150, 200, 250\}$ .

Contributions clés

Première implémentation indépendante : Il s'agit de la première reproduction publique et indépendante de la matrice de Galerkin de Connes–van Suijlekom. Elle reproduit l'erreur du premier zéro pour $c=13$ à un facteur de 1,3 des valeurs rapportées par Connes (2026) et Connes–Consani–Moscovici (2025).
Balayage numérique étendu : L'étude étend les mesures à quinze coupures ( $c=13$ à $67$) et à une seizième coupure à $c=100$ . Sur la fenêtre dans l'échantillon ( $c \le 67$ ) à $N=100$ , l'erreur absolue $|\gamma_1 - \gamma_{\text{Riemann}}|$ diminue de manière monotone de $\sim 2 \times 10^{-55}$ à $\sim 1,5 \times 10^{-168}$ , couvrant 113 ordres de grandeur.
Test hors échantillon à $c=100$ : À $c=100$ , l'auteur effectue un balayage $N$ pour tester le comportement de convergence. En utilisant l'extrapolation d'Aitken- $\Delta^2$ sur la séquence des plus petites valeurs propres positives, la limite estimée $\log_{10}|\lambda_{\min}^{even}(\infty)|$ se situe approximativement entre $-533,7$ et $-536,8$. Cela s'approche de la prédiction heuristique du continuum de Connes (2026) ( $\approx -530,4$ ) avec des écarts de 3,3 à 6,4 ordres de grandeur, fournissant une cohérence empirique avec l'heuristique théorique.
Caractérisation structurelle : L'article identifie plusieurs propriétés structurelles de l'opérateur à $N$ $N$ fini :
- Invariance des vecteurs propres : Bien que les valeurs propres varient de 113 ordres de grandeur, les vecteurs propres de l'état fondamental à travers différentes coupures présentent un fort recouvrement ( $>0,95$ ), suggérant une invariance approximative en $c$ .
- Vitesses de convergence : Les dix zéros détectables ( $\gamma_1$ à $\gamma_{10}$ ) convergent à des vitesses comprises dans une marge de 3,8 % les uns par rapport aux autres.
- Régularité de Sobolev : Un exposant de convergence de Galerkin empirique $s(c) \approx 55 \log c - 128$ est identifié, suggérant une régularité croissante avec $c$ .
- Statistiques du volume : Le spectre de volume (excluant l'état fondamental) suit des statistiques de Poisson ( $\beta < 0,05$ ), indiquant l'absence de répulsion de niveau, ce que les auteurs notent être un diagnostic structurel de l'opérateur tronqué plutôt qu'un test de la conjecture de Montgomery (qui s'applique aux zéros localement redimensionnés).
Extension aux fonctions L de Dirichlet : Un port préliminaire vers $L(s, \chi_3)$ révèle une rupture oscillante de la positivité à des coupures spécifiques ( $c=23, 29$ ), contrastant avec la positivité stable observée dans le cas de la fonction zêta de Riemann pour $c \le 67$ .

Résultats et données

Réduction de l'erreur : À $c=100, N=250, \text{dps}=500$ , l'extraction des dix premiers zéros de Riemann atteint 307 à 329 chiffres correspondants.
Falsification de modèles simples : Huit modèles de convergence lisse à deux paramètres (linéaire, quadratique, exponentielle en $L$ ou $\pi(c)$ ) ont été testés et rejetés. Un modèle log-périodique à cinq paramètres a également été falsifié hors échantillon à $c=53$ .
$N$ fini vs Continuum : L'ajustement empirique $|\log_{10} \lambda| \approx 13,24 c^{0,634}$ dérivé des données $c \le 67$ est montré comme étant un taux à $N$ fini, et non l'asymptote du continuum. Il est falsifié à $c=100$ par un écart de 49 ordres de grandeur dans le sens d'une décroissance plus rapide.
Valeurs propres négatives : À $c=100$ , la matrice brute à $N$ fini contient un petit bloc de valeurs propres de signe négatif. L'auteur rapporte la plus petite valeur propre positive comme une branche empiriquement stable, notant que l'identification de cette branche avec l'état fondamental théorique est conditionnelle à la nature de ces valeurs négatives (probablement des artefacts liés aux conditions).

Affirmations et signification
L'article ne prétend pas prouver l'Hypothèse de Riemann ni valider la conjecture de convergence de Connes.

Nature de la contribution : Le travail est présenté comme des « mathématiques expérimentales » fournissant des données numériques reproductibles et une interprétation prudente dans le cadre existant Connes–van Suijlekom/Connes–Consani–Moscovici.
Cohérence, non preuve : L'accord entre l'extrapolation d'Aitken à $c=100$ et l'heuristique de Connes (2026) est rapporté comme un test de cohérence empirique, et non comme un théorème. L'auteur souligne que l'accélération d'Aitken repose sur des hypothèses concernant la forme locale de la séquence de convergence.
Statut de l'hypothèse : L'application du Théorème 1.1 de Connes–Consani–Moscovici aux données $c=100$ est traitée avec une « réserve de statut d'hypothèse » en raison de la présence de valeurs propres négatives dans la matrice brute, qui ne sont pas supposées exister dans la limite du continuum.
Signification : La signification principale réside dans la fourniture de la première vérification numérique indépendante et de haute précision du cadre de Connes–van Suijlekom, l'extension de la gamme des coupures testées, et la caractérisation du comportement structurel (stabilité des vecteurs propres, vitesses de convergence et statistiques spectrales) de l'opérateur tronqué. Les données contraignent le travail théorique en quantifiant les effets à $N$ fini et en démontrant que des modèles lisses simples ne peuvent pas capturer le comportement de convergence sur la gamme mesurée.