🔢 mathematics

A sharp almost sure upper bound for partial sums of random multiplicative functions

Cet article établit que pour les fonctions multiplicatives aléatoires de Steinhaus et de Rademacher, les sommes partielles sont presque sûrement bornées par $\sqrt{x}(\log\log x)^{1/4+\varepsilon}$ , confirmant ainsi la conjecture de Harper et déterminant l'exposant logarithmique précis pour les fluctuations de grande amplitude dans ces modèles.

Auteurs originaux : Benjamin Durkan, Andrew Pearce-Crump

Publié 2026-08-03

📖 4 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Benjamin Durkan, Andrew Pearce-Crump

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 l'univers des nombres comme une vaste ville chaotique où chaque bâtiment est un entier. Certains bâtiments sont simples, faits d'une seule brique (les nombres premiers), tandis que d'autres sont des gratte-ciel complexes construits à partir de nombreuses briques (les nombres composés). Pendant des siècles, les mathématiciens ont tenté de prédire comment ces bâtiments sont disposés, mais la ville semble souvent avoir été construite par un architecte malicieux qui lance une pièce pour décider de la forme de chaque nouvelle brique. C'est le monde des « fonctions multiplicatives aléatoires ». Dans ce scénario, l'architecte attribue une valeur aléatoire à chaque nombre premier (les briques de base) et les multiplie ensuite entre elles pour déterminer la valeur de tous les autres nombres.

La grande question que posent les mathématiciens est la suivante : si vous marchez dans la rue et additionnez les valeurs de tous les bâtiments que vous croisez, quelle sera la taille de ce total ? Si l'architecte avait été véritablement aléatoire, comme une personne lançant une pièce à chaque pas, on s'attendrait à ce que le total oscille un peu, croissant lentement comme la racine carrée de la distance parcourue. Mais cette ville possède une règle secrète : la valeur d'un gratte-ciel est strictement liée aux valeurs de ses briques. Cela crée un motif caché, une « corrélation multiplicative », qui fait que la marche aléatoire se comporte différemment d'une marche normale. Comprendre ce comportement est crucial car cela nous aide à comprendre les rythmes profonds et cachés des nombres eux-mêmes, qui sont le fondement de tout, de la cryptographie à la structure de l'univers.

Entrez maintenant dans un nouvel article de Benjamin Durkan et Andrew Pearce-Crump, qui agit comme un maître détective résolvant un mystère vieux de plusieurs décennies sur la façon dont cette marche aléatoire peut s'écarter de sa trajectoire. Pendant longtemps, les mathématiciens connaissaient la taille « moyenne » de cette somme, mais ils étaient bloqués sur les cas « extrêmes » : à quel point la somme pouvait-elle devenir grande si l'on attendait suffisamment longtemps ? Un mathématicien brillant nommé Andrew Harper avait fait une supposition audacieuse (une conjecture) : la somme ne dépasserait jamais beaucoup une formule spécifique impliquant la racine carrée de la distance et un facteur minuscule et à croissance lente lié au nombre de fois que l'on peut prendre le logarithme de la distance.

Les tentatives précédentes pour prouver cela étaient comme essayer de mesurer une tempête avec une règle ; elles s'en approchaient mais manquaient la cible, prédisant que la tempête serait bien plus sauvage qu'elle ne l'est réellement. Durkan et Pearce-Crump ont finalement construit un meilleur outil de mesure. Ils ont prouvé que Harper avait raison. Ils ont montré que, presque certainement, la somme de ces valeurs aléatoires ne dépassera jamais une limite définie par la racine carrée de $x$ multipliée par un facteur très spécifique et minuscule : $(\log \log x)^{1/4}$ .

Voyez cela ainsi : si vous marchiez à travers cette ville pendant un temps très, très long, le « bruit » total que vous entendriez croîtrait, mais il croîtrait à un rythme prévisible et doux. Les auteurs ont prouvé que le bruit n'explose pas en un rugissement chaotique ; il reste dans une limite étroite et mathématiquement précise. Ils n'ont pas seulement deviné cela ; ils ont construit un argument mathématique rigoureux qui exclut tout comportement plus sauvage. En combinant une manière ingénieuse de diviser la ville en blocs gérables avec des techniques de probabilité avancées, ils ont démontré que les « fluctuations les plus importantes » de cette marche aléatoire sont exactement ce que Harper avait prédit. Cela tranche le débat, confirmant que la danse chaotique de ces nombres aléatoires possède un rythme strict et élégant que nous pouvons enfin décrire avec précision.

Résumé Technique : Une borne supérieure presque sûre aiguë pour les sommes partielles de fonctions multiplicatives aléatoires

Énoncé du problème
L'article traite du comportement asymptotique presque sûr des sommes partielles $M_f(x) = \sum_{n \le x} f(n)$ , où $f$ est une fonction multiplicative aléatoire. L'étude se concentre sur deux modèles spécifiques :

Modèle de Steinhaus : $f(p)$ sont indépendantes et uniformément distribuées sur le cercle unité $\mathbb{T}$ , étendues de manière complètement multiplicative.
Modèle de Rademacher : $f(p)$ sont des signes symétriques indépendants ( $\pm 1$ ), étendus multiplicativement aux entiers sans facteur carré (supportés sur $\mu^2(n)=1$ ).

Bien que le second moment $E|M_f(x)|^2$ croisse comme $x$ , la borne supérieure presque sûre est attendue comme étant plus grande en raison des corrélations. Des travaux antérieurs ont établi une borne inférieure de l'ordre de $\sqrt{x}(\log \log x)^{1/4}$ (Harper [12]) et diverses bornes supérieures avec des exposants logarithmiques plus grands, tels que $\sqrt{x}(\log \log x)^{2+\varepsilon}$ (Basquin [3] ; Lau–Tenenbaum–Wu [13]) et $\sqrt{x}(\log \log x)^{3/4+\varepsilon}$ (Caich [5]). Harper a conjecturé que la borne supérieure presque sûre aiguë devrait correspondre à la borne inférieure à un facteur $\varepsilon$ arbitraire près dans l'exposant, spécifiquement $\sqrt{x}(\log \log x)^{1/4+\varepsilon}$ .

Méthodologie
Les auteurs emploient une stratégie probabiliste et analytique multi-étapes pour prouver la borne conjecturée. La preuve suit l'architecture générale de Caich [5] mais introduit un raffinement critique dans l'estimation des moments.

Discrétisation et interpolation :
La variable continue $x$ est remplacée par une séquence éparse de « points de test » $x_i = \lfloor \exp(i c_0) \rfloor$ . Le Lemme 3.8 démontre que la fluctuation de $M_f(x)$ entre deux points de test consécutifs est négligeable (plus petite que n'importe quelle puissance de $\log x$ ) presque sûrement, permettant de réduire le problème à l'évaluation de $M_f(x_i)$ .
Décomposition par le plus grand facteur premier :
La somme $M_f(x_i)$ est décomposée en fonction du plus grand facteur premier $P(n)$ des entiers $n \le x_i$ . Les nombres premiers sont partitionnés en blocs $(y_{j-1}, y_j]$ .
- Terme lisse (Smooth Term) : Entiers avec $P(n) \le y_0$ .
- Terme à occurrence unique ( $M_f^{(1)}$ ) : Entiers où le plus grand nombre premier apparaît exactement une fois. Cela forme une martingale indexée par les nombres premiers.
- Terme à occurrence répétée ( $M_f^{(2)}$ ) : Entiers où le plus grand nombre premier apparaît au moins deux fois. Dans le modèle de Rademacher, ce terme est nul.
Lissage et variation quadratique :
Le contrôle du terme à occurrence unique repose sur l'encadrement de sa variation quadratique prévisible $V_\ell(x_i; f)$ . Les auteurs utilisent une inégalité de lissage (Proposition 3.15) pour relier $V_\ell$ à un terme de moyenne quadratique logarithmique principal $M_\ell$ et plusieurs termes d'erreur auxiliaires (termes $\lambda$ , termes de bord et termes $W$ ). Les termes auxiliaires sont montrés comme étant sommables via des outils probabilistes standards (inégalités de Doob, Azuma–Hoeffding).
Innovation clé : Moments conditionnels d'ordre supérieur :
La difficulté principale réside dans le contrôle du terme principal $M_\ell$ uniformément à travers les $J \asymp \log \log x$ blocs de nombres premiers.
- Approche précédente (Caich) : Reposait sur des estimations de premier moment conditionnel sommées sur les blocs, entraînant une perte d'un facteur de $\sqrt{\log \log x}$ .
- Approche actuelle : Les auteurs introduisent une estimation de moment $r$ -ième conditionnel fixe (Proposition 5.2 pour Steinhaus, Proposition 7.8 pour Rademacher). Ils définissent un produit d'Euler intégral normalisé et incliné $I_j$ et prouvent qu'il forme une supermartingale (Lemme 5.1, Lemme 7.7).
- Crucialement, ils établissent que $E[U_j^r \mid \mathcal{F}_{y_{j-1}}] \ll I_{j-1}^r$ , où $U_j$ domine le terme principal. Ce contrôle par les moments d'ordre supérieur, combiné à un argument d'arrêt (utilisant l'estimation du moment $2/3$ de Harper [9] pour le cas Steinhaus et une estimation décalée pour Rademacher), produit un facteur compensateur de $L^{-1}$ (où $L \asymp \log \log x$ ). Cela annule précisément la borne d'union sur les $J$ blocs, éliminant la perte de $\sqrt{\log \log x}$ .
Ajustements spécifiques aux modèles :
- Steinhaus : Utilise l'inégalité hypercontractive standard (Lemme 3.1) et l'estimation du moment faible de Harper pour la moyenne quadratique sur la droite entière (Lemme 4.1).
- Rademacher : Nécessite des modifications car les signes ne sont pas invariants par rotation. Les auteurs utilisent une estimation sur un intervalnement unité décalé (Lemme 7.4) et adaptent la construction de la supermartingale à la structure spécifique du produit d'Euler du modèle de Rademacher (Lemme 7.7).

Résultats clés
Le théorème principal établit la borne supérieure presque sûre aiguë pour les deux modèles :

Théorème 1 : Soit $f$ soit une fonction multiplicative aléatoire de Steinhaus ou de Rademacher. Pour tout $\varepsilon > 0$ , presque sûrement :
$|M_f(x)| \ll_{\varepsilon, f} \sqrt{x} (\log \log x)^{1/4 + \varepsilon}$

Ceci est soutenu par la Proposition 1.1, qui fournit une affirmation plus précise d'ordre fixe : pour tout entier $r \ge 2$ et $\eta > 0$ , presque sûrement :
$|M_f(x)| \ll_{r, \eta, f} \sqrt{x} (\log \log x)^{1/4 + 1/(2r) + \eta}$

En combinant cela avec la borne inférieure de Harper (1.6), les auteurs dérivent le Corollaire 1.2, déterminant l'exposant logarithmique exact :
$\limsup_{x \to \infty} \frac{\log(1 + |M_f(x)|/\sqrt{x})}{\log \log \log x} = \frac{1}{4}$

Signification et revendications
L'article prétend résoudre la conjecture de Harper concernant les grandes fluctuations des fonctions multiplicatives aléatoires. En déterminant l'exposant logarithmique aigu de $1/4$ , ce travail résout la divergence entre les bornes supérieures précédentes (qui avaient des exposants comme $2$ ou $3/4$ ) et la borne inférieure connue.

Les auteurs soulignent que la preuve ne repose pas sur des arguments d'indépendance (qui échouent en raison des corrélations multiplicatives) mais plutôt sur une compréhension raffinée de la manière dont ces corrélations persistent à mesure que $x$ varie. La principale contribution technique est le remplacement de l'étape de premier moment conditionnel du travail précédent par une estimation de moment $r$ -ième conditionnel fixe sur un bloc de nombres premiers unique. Cette innovation permet l'absorption précise de la borne d'union sur le nombre logarithmique de blocs de nombres premiers, atteignant l'exposant conjecturé. Le papier affirme que ce résultat, ainsi que la borne inférieure, caractérisent pleinement la taille presque sûre des sommes partielles pour ces fonctions multiplicatives aléatoires.

Articles similaires