Limiting Distribution and Rate of Convergence for GL(3) Fourier Coefficients

Résumé technique de « Distribution limite et taux de convergence pour les coefficients de Fourier de GL(3) »

Énoncé du problème
Ce papier traite du comportement probabiliste du terme d'erreur associé à la fonction sommatoire des coefficients de Fourier des formes automorphes sur $GL(3)$. Plus précisément, soit $f$ une forme de cusp de Hecke–Maass autoduale fixe pour $GL(3)$ avec des coefficients de Fourier normalisés $A_f(n, m)$. L'auteur définit le terme d'erreur $\Delta_f(x) = \sum_{n \le x} A_f(n, 1)$. Le problème central est de déterminer si la fonction normalisée $F_f(t) = t^{-1/3}\Delta_f(t)$ possède une distribution limite lorsque $t \to \infty$, et de quantifier le taux de convergence de cette distribution.

Ce travail sert d'analogue à un résultat fondamental de Heath-Brown (1992) concernant le problème classique des diviseurs et la fonction de diviseurs triple $\Delta_3(x)$. Alors que Heath-Brown a établi l'existence d'une distribution limite pour le terme d'erreur normalisé dans le problème des diviseurs, ce papier étend ce cadre au contexte des formes automorphes de $GL(3)$.

Méthodologie
L'auteur adapte les méthodes d'approximation probabiliste introduites par Heath-Brown et affinées par des travaux ultérieurs (par exemple, Lamzouri, Lau). La stratégie centrale consiste à approximer le terme d'erreur déterministe $F_f(t)$ par une série trigonométrique aléatoire construite à partir de variables aléatoires indépendantes.

Les composants méthodologiques clés incluent :

1. Construction du modèle aléatoire : Une variable aléatoire $F_{f,X}$ est définie comme une série trigonométrique aléatoire impliquant les coefficients de Fourier $A_f(1, n)$ et des variables aléatoires indépendantes $\{X_n\}$ uniformément distribuées sur $[0, 1]$. La série est construite pour imiter la nature oscillatoire de $\Delta_f(t)$ dérivée des formules de sommation de type Voronoï.
2. Estimations de la moyenne vs estimations ponctuelles : Une distinction critique dans ce travail est la reliance sur des estimations de la moyenne des coefficients de Fourier plutôt que sur des bornes ponctuelles. L'auteur note explicitement que de fortes estimations ponctuelles pour les coefficients de $GL(3)$ (telles que la conjecture de Ramanujan) ne sont pas supposées. Au lieu de cela, la preuve utilise l'estimation de la moyenne quadratique des sommes partielles des coefficients de Fourier.
3. Outils analytiques :
   • Bornes pour les fonctions L : La preuve de l'estimation de la moyenne quadratique (Théorème 1.2) repose sur l'établissement d'une borne pour le second moment de la fonction $L$-fonction $L(s, f)$ sur la ligne critique. Plus précisément, l'auteur utilise un résultat de Pal [22] pour montrer que $\int_1^T |L(\sigma + it, f)|^2 dt \ll T^{1+\varepsilon}$ pour un $\sigma < 2/3$ spécifique (spécifiquement $\sigma = 13/20$).
   • Appariement des moments : Pour prouver la convergence des distributions, le papier démontre que les moments de la fonction déterministe tronquée $F_f(t)$ approximent étroitement les moments du modèle aléatoire $F_{f,X}$ sur une plage spécifique. Cela implique de borner les termes hors-diagonale en utilisant l'indépendance linéaire des racines cubiques sur $\mathbb{Q}$.
   • Approximation par transformée de Laplace : La distribution des grandes valeurs est analysée en approximating la transformée de Laplace de $F_f(t)$ par celle de $F_{f,X}$, en utilisant des bornes sur les moments exponentiels de la série aléatoire.

Contributions et résultats clés

• Théorème 1.1 (Existence d'une distribution limite) : Le papier prouve que $F_f(t) = t^{-1/3}\Delta_f(t)$ possède une fonction de distribution limite $g(\alpha)$. La fonction de densité $g(\alpha)$ est montrée comme étant lisse ($C^\infty$), à décroissance rapide (classe de Schwartz), et prolongeable en une fonction entière sur $\mathbb{C}$. Ce résultat tient sans supposer la conjecture de Ramanujan.

• Théorème 1.2 (Estimation de la moyenne quadratique) : Une estimation quantitative pour la moyenne quadratique du terme d'erreur est établie :
  $$\int_0^x \Delta_f(y)^2 dy = \frac{1}{10\pi^2} \left( \sum_{n=1}^\infty \frac{A_f(1, n)^2}{n^{4/3}} \right) x^{5/3} + O(x^{18/11+\varepsilon}).$$
  Ce résultat est dérivé en trouvant un $\sigma < 2/3$ tel que le second moment de la fonction $L$-fonction soit borné par $T^{1+\varepsilon}$, une étape rendue possible par le travail récent de Pal.

• Théorème 1.3 (Taux de convergence) : Le papier fournit une borne quantitative sur l'écart entre la fonction de distribution de $F_f(t)$ et le modèle aléatoire $F_{f,X}$. Spécifiquement, l'écart $D_F(T)$ satisfait :
  $$D_F(T) \ll \frac{(\log \log \log T)^{5/3}}{(\log \log T)^{1/3}}.$$
  Cela confirme que le modèle probabiliste décrit avec précision le comportement statistique du terme d'erreur avec un taux de convergence spécifique.

• Théorème 1.4 (Distribution des grandes valeurs) : Le papier établit des bornes supérieures et inférieures pour la probabilité que $F_f(t)$ dépasse une grande valeur $V$. Pour $V$ dans une plage spécifique impliquant des logarithmes itérés, la probabilité décroît exponentiellement :
  $$\exp(-b_3 V^{35/2+\varepsilon}) \le P_T(F_f(t) > V) \le \exp(-b_4 V^{5/3-\varepsilon}).$$
  L'auteur note que, en raison de l'absence d'estimations ponctuelles fortes pour les coefficients de $GL(3)$, les exposants dans ces bornes sont plus faibles que ceux connus pour le problème classique des diviseurs.

Signification et affirmations
Le papier affirme étendre avec succès la théorie probabiliste des termes d'erreur du problème classique des diviseurs au contexte plus complexe des formes automorphes de $GL(3)$. Sa signification principale réside dans :

1. Généralisation : Démontrer que le phénomène de distribution limite n'est pas unique aux fonctions de diviseurs mais s'applique aux coefficients de Fourier des formes automorphes de rang supérieur.
2. Adaptation méthodologique : Montrer que la méthode d'approximation probabiliste peut être adaptée à des contextes où les bornes ponctuelles ne sont pas disponibles, en les remplaçant par des estimations de la moyenne et des bornes de moments de fonctions $L$.
3. Précision quantitative : Fournir des taux de convergence explicites et des bornes pour les grandes déviations, qui sont essentiels pour comprendre la distribution à fine échelle de ces fonctions arithmétiques.

L'auteur déclare explicitement que l'exigence pour que $f$ soit autoduale est nécessaire pour assurer la convergence de la série définissant le modèle aléatoire. Le papier conclut que si la convergence peut être prouvée pour des formes non autoduales, les résultats s'étendraient également à ces cas. Le travail ne propose pas de nouvelles applications expérimentales mais approfondit plutôt la compréhension théorique de la distribution des termes d'erreur arithmétiques dans le contexte du programme de Langlands.