🔢 mathematics

Primitive inhomogeneous approximation for fixed non-singular frequencies

Cet article établit un théorème d'approximation diophantienne inhomogène primitive de haute dimension pour des fréquences simultanées non singulières fixes, démontrant que le résultat est valable pour une classe de fréquences explicite de mesure de Lebesgue pleine.

Auteurs originaux : Xueyin Wang

Publié 2026-06-04

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Xueyin Wang

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

Imaginez que vous vous tenez dans une pièce géante et multidimensionnelle (un espace mathématique appelé tore). Vous avez un mode de marche spécifique et fixe défini par un ensemble de nombres appelé « fréquence » ( $\alpha$ ). Chaque fois que vous faites un pas, vous vous déplacez selon ce motif.

Le papier de Xueyin Wang porte sur un jeu d'« approche la plus proche » joué dans cette pièce. Voici la décomposition du jeu, les règles et le résultat surprenant, expliqués à travers des analogies simples.

Le Jeu : « Le Chasseur Primitif »

La Configuration :
Imaginez que vous essayez d'attraper une cible mouvante.

Le Marcheur : Vous faites des pas étiquetés $n = 1, 2, 3, \dots$ . Votre position après l'étape $n$ est déterminée par votre mode de marche fixe ( $\alpha$ ).
La Cible : Il y a un endroit spécifique dans la pièce où vous voulez vous rapprocher (appelons cela $\gamma$ ).
Le But : Vous voulez trouver un numéro d'étape $n$ où votre position est incroyablement proche de la cible.

Le Twist (la règle « Primitive ») :
Dans le passé, les mathématiciens vous permettaient d'utiliser n'importe quel numéro d'étape $n$ . Mais ce papier ajoute une règle stricte : vous ne pouvez utiliser que des étapes « Primitives ».

Considérez un numéro d'étape $n$ comme une équipe de personnes. Si $n=6$ , l'équipe est composée de nombres $(6, m_1, m_2, \dots)$ .
Une équipe « Primitive » est une équipe dont les membres n'ont aucun facteur commun autre que 1. Ils sont « premiers entre eux ».
Si l'équipe partage un code secret (un facteur commun comme 2 ou 3), cette étape est disqualifiée. Vous devez attendre qu'une équipe « pure » effectue le pas.

Le Défi :
La question est la suivante : si vous êtes forcé de sauter toutes les étapes « impures », pouvez-vous toujours vous approcher arbitrairement de votre cible ? Et à quelle vitesse vous rapprochez-vous de celle-ci au fur et à mesure que vous faites des pas ?

Les « Mauvais » Marcheurs vs Les « Bons » Marcheurs

L'auteur se concentre sur un type spécifique de mode de marche appelé « Non-Singulier ».

Les Mauvais Marcheurs (Singuliers) : Imaginez un marcheur qui, peu importe le temps qu'il marche, reste toujours coincé dans un couloir étroit ou une feuille plate au sein de la pièce. Ils n'explorent jamais vraiment tout l'espace. Ce sont les « mauvaises » fréquences.
Les Bons Marcheurs (Non-Singuliers) : Ces marcheurs sont chaotiques de manière positive. Ils ne restent pas coincés dans des couloirs étroits. Ils se dispersent uniformément dans toute la pièce. Le papier prouve que presque tous les modes de marche aléatoires entrent dans cette catégorie de « Bons ».

La Grande Découverte

Le papier prouve un résultat très spécifique concernant ces « Bons Marcheurs » :

Même si vous êtes forcé de sauter toutes les étapes « impures », vous pouvez toujours vous rapprocher autant que vous le souhaitez de votre cible.

Voici la partie magique :
Dans une pièce de $d$ dimensions, la « proximité » que vous pouvez atteindre est liée à la taille de la pièce et au nombre de pas.

Si vous faites $n$ pas, la distance à laquelle vous pouvez vous rapprocher de la cible diminue approximativement par un facteur de $1/n^{1/d}$ .
Le papier montre que même avec la règle stricte « Primitive » (sauter les étapes impures), vous ne perdez aucun terrain. Vous pouvez toujours atteindre ce même niveau de proximité.

L'Analogie de la « Cible qui rétrécit »

Imaginez que la cible est un petit point qui devient de plus en plus petit à mesure que vous faites des pas.

Sans la règle Primitive : C'est comme lancer des fléchettes sur un centre de cible qui rétrécit. Vous savez que vous finirez par toucher.
Avec la règle Primitive : C'est comme si on vous disait : « Vous ne pouvez lancer des fléchettes que les mardis ».
- Le papier demande : « Si vous ne lancez que les mardis, touchez-vous toujours le centre de cible qui rétrécit ? »
- La Réponse : Oui ! Tant que votre mode de marche est un « Bon Marcheur » (Non-Singulier), le fait que vous sautiez des jours (des étapes) ne vous empêche pas de toucher la cible. La contrainte du « seulement le mardi » ne rend pas la cible plus difficile à atteindre sur le long terme.

Comment ils l'ont prouvé

L'auteur a utilisé deux outils principaux pour résoudre ce puzzle :

Le Crible (Filtrer les étapes) :
Imaginez que vous avez un immense seau de numéros d'étapes. Vous voulez ne garder que les « Primitifs ». L'auteur a utilisé un « crible » mathématique (basé sur une ancienne technique utilisant la fonction de Möbius) pour filtrer les étapes impures. Ils ont montré que même après filtrage, les étapes restantes sont encore assez dispersées pour accomplir la tâche.
Les « Échelles de Qualité » (Le timing des touches) :
L'auteur n'a pas regardé chaque étape individuellement. Au lieu de cela, il a regardé des « moments de qualité » spécifiques (des échelles) où le marcheur est connu pour être bien distribué. Il a construit un filet de sécurité de petites boîtes autour de ces moments de qualité. Ils ont prouvé que si l'on continue d'ajouter ces boîtes au fil du temps, elles finissent par couvrir toute la pièce. Cela signifie que peu importe où se trouve votre cible, elle finira par tomber à l'intérieur de l'une de ces boîtes.

L'Essentiel

Le papier résout un puzzle de haute dimension sur la façon dont les nombres interagissent. Il confirme que pour presque tous les « bons » modes de marche, la restriction d'utiliser uniquement des étapes « primitives » (premières entre elles) ne gâche pas votre capacité à vous approcher infiniment d'une cible. La contrainte « primitive » est un obstacle, mais pas un mur ; le marcheur peut toujours sauter par-dessus et atteindre le but.

En bref : Si vous êtes un bon marcheur, sauter les étapes « impures » ne vous empêchera pas de trouver votre chemin vers n'importe quel endroit de la pièce, aussi petit que cet endroit puisse être.

Résumé Technique : Approximation Inhomogène Primitive pour des Fréquences Fixes Non Singulières

Énoncé du Problème
Cet article traite du problème de l'approximation diophantienne inhomogène primitive dans des dimensions supérieures ( $d \ge 2$ ). Plus précisément, il étudie le comportement de l'erreur d'approximation pour un vecteur de fréquence fixé $\alpha \in \mathbb{R}^d$ et un vecteur cible $\gamma \in \mathbb{R}^d$ . L'objectif est de déterminer si la quantité
$\liminf_{n \to \infty} n^{1/d} \min_{\substack{m \in \mathbb{Z}^d \\ \gcd(n, m_1, \dots, m_d)=1}} \|\gamma - n\alpha + m\|_\infty$
est égale à zéro pour presque tout $\gamma$ au sens de la mesure de Lebesgue.

La contrainte $\gcd(n, m_1, \dots, m_d) = 1$ impose une condition de « primalité » sur le vecteur entier $(n, m_1, \dots, m_d)$ , ce qui distingue ce problème de l'approximation inhomogène standard. Si le cas unidimensionnel ( $d=1$ ) a été résolu par Jitomirskaya et Liu [JL19] pour tout $\alpha$ irrationnel, l'analogue en dimensions supérieures nécessite une hypothèse plus nuancée sur $\alpha$ . La simple indépendance rationnelle est insuffisante, comme le démontrent les contre-exemples de Galatolo et Peterlongo [GP10] concernant les vecteurs singuliers.

Méthodologie
La preuve est structurée autour de deux composantes primaires : une estimation de la discrépance primitive et une construction de cible rétrécissante (shrinking-target construction).

Estimations de la Discrépance Primitive (Section 3) :
Les auteurs établissent un décompte asymptotique pour le nombre d'entiers $n \le N$ tels que le point d'orbite $\{n\alpha\}$ tombe dans un ensemble mesurable au sens de Jordan et que le vecteur $(n, \lfloor n\alpha_1 \rfloor - b_1, \dots, \lfloor n\alpha_d \rfloor - b_d)$ est primitif.
- Méthode de Crible : Un crible élémentaire est employé en utilisant la fonction de Möbius $\mu(r)$ pour filtrer les vecteurs non primitifs.
- Équidistribution de Weyl : Pour un $r$ sans facteur carré fixé, la condition selon laquelle $r$ divise les composantes est traduite en conditions de congruence sur les parties fractionnaires $\{n\alpha\}$ . La distribution uniforme de $\{n\alpha\}$ (garantie par l'indépendance linéaire de $1, \alpha_1, \dots, \alpha_d$ sur $\mathbb{Q}$ ) permet d'estimer ces décomptes.
- Contrôle de l'Erreur : La contribution des grands diviseurs premiers est contrôlée à l'aide d'une estimation de compactage (packing estimate) dérivée de la condition de « bonne échelle » (1.1). Cette condition garantit que les points d'orbite $\{n\alpha\}$ sont suffisamment séparés, empêissant ainsi les regroupements qui violeraient les bornes de discrépance.
Construction de Cible Rétrécissante (Section 4) :
Pour prouver le résultat pour presque tout $\gamma$ , les auteurs construisent un ensemble de cibles admissibles de pleine mesure en utilisant un lemme de Borel–Cantelli à second moment.
- Ensembles Cibles : Pour une suite de « bonnes échelles » $N_j$ (où la condition de séparation tient), de petites boîtes de côté $r_j \sim N_j^{-1/d}$ sont placées autour des points d'orbite primitifs $\{n\alpha\}$ .
- Quasi-Indépendance : Une étape technique clé consiste à prouver que l'intersection des ensembles cibles à différentes échelles se comporte asymptotiquement comme le produit de leurs mesures. Cette quasi-indépendance est établie en analysant les effets de bord des boîtes et en utilisant la propriété de séparation de l'orbite.
- Argument de Mesure : En sélectionnant une sous-suite d'échelles et en appliquant le lemme du second moment, les auteurs montrent que l'union de ces cibles rétrécissantes couvre presque tout le tore.

Résultats Clés
Le théorème principal (Théorème 1.1) stipule que pour toute dimension $d \ge 2$ et pour toute fréquence $\alpha$ appartenant à la classe explicite $\Lambda_d$ (définie par l'indépendance linéaire sur $\mathbb{Q}$ et une condition de non-singularité impliquant une borne inférieure sur $\min_{1 \le n \le N} \|n\alpha\|$ ), l'approximation inhomogène primitive est vérifiée pour presque tout $\gamma \in \mathbb{R}^d$ .

Plus précisément, pour $\alpha \in \Lambda_d$ :
$\liminf_{n \to \infty} n^{1/d} \min_{\substack{m \in \mathbb{Z}^d \\ \gcd(n, m_1, \dots, m_d)=1}} \|\gamma - n\alpha + m\|_\infty = 0$
La classe $\Lambda_d$ est montrée comme ayant une pleine mesure de Lebesgue.

Signification et Revendications
L'article revendique deux nouveautés principales :

Résultat pour Fréquence Fixe : Contrairement aux résultats métriques précédents (par exemple, Dani, Laurent et Nogueira [DLN15]) qui établissent le résultat pour presque tout couple $(\alpha, \gamma)$ , ce travail fournit un résultat pour un $\alpha$ prescrit et fixé, à condition que $\alpha$ soit non singulier. Cela répond au problème complémentaire soulevé par Allen et Ramírez [AR25].
Préservation de l'Échelle Critique : Le résultat démontre que la restriction primitive (la condition de coprimalité) ne détruit pas l'échelle critique de la cible rétrécissante $n^{-1/d}$ . Cette échelle est optimale pour l'approximation simultanée en dimension $d$ .

Les auteurs positionnent ce travail comme une extension naturelle de la théorie unidimensionnelle de Jitomirskaya et Liu [JL19] et du travail non primitif en dimensions supérieures de Shapira [Sha13]. La condition de non-singularité est identifiée comme l'hypothèse correcte pour les théorèmes de fréquence fixe en dimensions supérieures, remplaçant la simple indépendance rationnelle.