Partial sums of random multiplicative functions with supercritical divisor twists

1. 연구 배경 및 문제 제기

이 논문은 랜덤 곱셈 함수 (Random Multiplicative Functions) 의 부분 합에 대한 모멘트 (moment) 를 연구하는 것을 목표로 합니다. 구체적으로, 스타인하우스 (Steinhaus) 랜덤 곱셈 함수 $f(n)$ 에 $\alpha$-약수 함수 $d_\alpha(n)$ 을 곱한 형태 ($f(n)d_\alpha(n)$) 의 부분 합을 다룹니다.

• 핵심 문제: $f(n)$ 은 소수 $p$ 에서 복소 단위 원 위에 균일하게 분포된 독립 확률 변수 $Z_p$로 정의되며, 완전히 곱셈적으로 확장됩니다. Harper (2023) 는 $\alpha=1$ (임계 상태, critical case) 인 경우, $f(n)$ 의 부분 합이 독립 확률 변수의 합에 비해 놀라운 상쇄 (cancellation) 현상을 보인다는 헬슨 (Helson) 추측을 증명했습니다.
• 새로운 도전: 본 논문은 $\alpha \in (1, 2)$ 인 초임계 (supercritical) 영역으로 확장합니다. 이 영역은 가우스 곱셈 혼돈 (Gaussian Multiplicative Chaos, GMC) 이론에서 '초임계 위상'에 해당하며, Harper 의 결과가 어떻게 일반화되는지, 그리고 $\alpha > 1$ 일 때의 점근적 행동을 규명하는 것이 목표입니다.
• 관련성: 이 연구는 리만 제타 함수의 의사 모멘트 (pseudomoments) 에 대한 Gerspach 의 질문을 해결하고, GMC 이론의 예측과 일치하는 결과를 도출하는 데 기여합니다.

2. 주요 결과 (Main Results)

논문의 핵심 정리는 다음과 같습니다.

Theorem 1.1 (주요 정리)

$\alpha \in (1, 2)$이고 $q \in [0, 1/\alpha]$일 때, 충분히 큰 $x$에 대해 다음이 성립합니다:
$$E \left\{ \left| \frac{1}{\sqrt{x}} \sum_{n \le x} d_\alpha(n)f(n) \right|^{2q} \right\} \ll \frac{(\log x)^{2q(\alpha-1)}}{(\log \log x)^{3\alpha q/2 (1-\alpha q) + 1}}$$
이 결과는 Harper 의 임계 ($\alpha=1$) 경우의 결과와 일치하며, 초임계 GMC 이론의 예측과 정확히 부합합니다.

Theorem 1.3 (오일러 곱 적분 모멘트)

$\gamma \in (2, 4)$인 경우, 오일러 곱 $F_y(s)$의 적분 모멘트에 대한 상한을 제공합니다. 이는 Theorem 1.1 의 증명에 필요한 핵심 단계입니다.
$$E \left\{ \left( \frac{1}{\log y} \int_0^1 |F_y(\sigma_k + ih)|^\gamma dh \right)^q \right\} \ll \frac{(\log y)^{(\gamma-2)q}}{(\log \log y)^{3\gamma q/4 (2-\gamma q) + 1}}$$
여기서 $\sigma_k = 1/2 - k/\log x$입니다.

Theorem 1.6 (리만 제타 함수의 의사 모멘트)

$\alpha \in (1, 2)$이고 $0 < q < 2(\alpha-1)/\alpha^2$일 때, 리만 제타 함수의 의사 모멘트 $\Psi_{2q, \alpha}(x)$에 대해 Gerspach 의 추측을 확인하는 상한을 증명합니다:
$$\Psi_{2q, \alpha}(x) \ll \frac{(\log x)^{2q(\alpha-1)}}{(\log \log x)^{q(3\alpha/2)}}$$

Corollary 1.4 & 1.5 (최댓값 및 레벨 집합)

랜덤 오일러 곱 $|F_x(1/2+ih)|$의 최댓값 분포와 레벨 집합 (level sets) 의 측도에 대한 정밀한 추정을 제공합니다. 이는 Fyodorov-Hiary-Keating 추측의 랜덤 아날로그로 간주됩니다.

3. 방법론 (Methodology)

이 논문은 Harper 의 기존 접근법 (Girsanov 정리 유사체 및 볼트 정리 적용) 을 대체하거나 단순화하는 새로운 방법을 제시합니다.

1. 랜덤 오일러 곱의 대편차 (Large Deviations) 분석:

   • Harper 의 방법은 부분 합을 랜덤 오일러 곱의 적분과 비교하는 것으로 시작합니다.
   • 본 논문은 이 적분을 $\log |F_x(s)|$의 레벨 집합 측도 (measure of level sets) 를 연구함으로써 분석합니다.
   • 특히, $\log |F_x(1/2+ih)|$가 $\log \log x - O(\sqrt{\log \log x})$ 근처에서 지배적인 기여를 한다는 사실을 이용합니다.

2. 가우스 로그 상관 필드 (Gaussian Log-correlated Fields) 이론의 적용:

   • $\log |F_x(s)|$는 로그 상관 필드로 근사될 수 있습니다.
   • $\alpha > 1$ (즉, $\gamma > 2$) 인 경우, 적분은 임계점 ($\alpha=1$) 과 달리 국소 최댓값 (local maxima) 주변에서 지배적인 기여를 받습니다.
   • 따라서 랜덤 필드의 최댓값 분포 (extremal statistics) 에 대한 최신 결과 (Arguin, Dubach, Hartung 등) 를 활용하여 최댓값 주변의 구조를 정밀하게 분석합니다.

3. tilted measure (기울어진 측도) 기법:

   • Theorem 1.6 증명 시, 메조스코픽 (mesoscopic) 구간에서의 적분을 다룰 위해 tilted measure 를 도입합니다.
   • 이를 통해 특정 구간에서의 오일러 곱 행동을 제어하고, Gerspach 의 원래 논증과 결합하여 최종 상한을 유도합니다.

4. 이산화 (Discretisation) 및 체이닝 (Chaining) 논증:

   • Lemma 2.2 및 Lemma 3.2 에서와 같이, 연속적인 $h$에 대한 확률적 행동을 제어하기 위해 구간을 이산화하고 브라운 브리지 (Brownian bridge) 와의 비교를 통해 대편차 확률을 추정합니다.

4. 논증의 흐름 및 기여

• Helson 추측의 간결한 증명: 제안된 방법론을 $\alpha=1$ (즉, $\gamma=2$) 인 경우에 적용하면, Harper 의 복잡한 Girsanov 유사체 증명 없이도 Helson 추측의 상한을 매우 간결하게 증명할 수 있음을 보여줍니다 (Section 2).
• 초임계 영역의 정밀한 분석: $\alpha > 1$인 경우, 기존 방법으로는 얻기 어려운 $(\log \log x)$ 보정 항 (double-logarithmic corrections) 을 정밀하게 계산해냅니다. 이는 GMC 이론에서 알려진 정규화 인자와 일치합니다.
• 최댓값 구조의 규명: Corollary 1.4 와 1.5 를 통해 랜덤 오일러 곱의 최댓값이 어떻게 분포하는지, 그리고 그 주변 레벨 집합의 측도가 어떻게 행동하는지에 대한 정량적 결과를 제시합니다. 이는 수론적 랜덤 과정의 극값 이론에 중요한 기여입니다.

5. 의의 및 중요성

1. 이론적 통합: 랜덤 곱셈 함수의 부분 합, 가우스 곱셈 혼돈 (GMC), 그리고 리만 제타 함수의 모멘트 문제를 하나의 통일된 프레임워크 (초임계/임계 영역 구분) 로 연결합니다.
2. 예측의 검증: 가우스 곱셈 혼돈 이론에서 예측한 점근적 행동이 수론적 맥락 (랜덤 곱셈 함수) 에서 실제로 성립함을 엄밀하게 증명합니다.
3. 기술적 발전: Harper 의 증명을 단순화하고, 초임계 영역에서의 새로운 분석 기법 (레벨 집합 측도 분석, 최댓값 구조 활용) 을 제시함으로써 해당 분야의 연구 도구를 확장했습니다.
4. 응용: 리만 제타 함수의 의사 모멘트에 대한 Gerspach 의 추측을 부분적으로 해결하여, 제타 함수의 모멘트 문제 연구에 새로운 통찰을 제공합니다.

요약하자면, Jad Hamdan 의 이 논문은 랜덤 곱셈 함수의 부분 합 행동을 이해하는 데 있어 초임계 영역 ($\alpha > 1$) 에서의 정밀한 점근적 거동을 규명하고, 이를 가우스 곱셈 혼돈 이론과 완벽하게 일치시키는 중요한 업적을 남겼습니다.