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

기술 요약: 무작위 곱셈 함수 부분 합에 대한 날카로운 거의 확실 상한 (Almost Sure Upper Bound)

문제 정의
본 논문은 무작위 곱셈 함수 $f$의 부분 합 $M_f(x) = \sum_{n \le x} f(n)$의 거의 확실한 점근적 거동을 다룬다. 연구는 두 가지 특정 모델에 집중한다:

1. 슈타인하우스(Steinhaus) 모델: $f(p)$는 단위 원 $\mathbb{T}$ 상에서 독립적이고 균등하게 분포하며, 완전히 곱셈적으로 확장된다.
2. 라데마허(Rademacher) 모델: $f(p)$는 독립적인 대칭 부호($\pm 1$)이며, 제곱 자유 정수(squarefree integers, $\mu^2(n)=1$에 의해 지지됨)로 곱셈적으로 확장된다.

두 번째 모멘트 $E|M_f(x)|^2$는 $x$에 비례하여 스케일링되지만, 상관관계로 인해 거의 확실 상한(almost sure upper bound)은 이보다 더 클 것으로 예상된다. 기존 연구는 $\sqrt{x}(\log \log x)^{1/4}$ 차수의 하한을 확립하였고(Harper [12]), $\sqrt{x}(\log \log x)^{2+\varepsilon}$ (Basquin [3]; Lau–Tenenbaum–Wu [13]) 또는 $\sqrt{x}(\log \log x)^{3/4+\varepsilon}$ (Caich [5])와 같이 더 큰 로그 지수를 갖는 다양한 상한들을 제시하였다. Harper는 날카로운 거의 확실 상한이 임의의 $\varepsilon$ 인자에 대해 하한과 일치할 것이라고, 즉 $\sqrt{x}(\log \log x)^{1/4+\varepsilon}$가 될 것이라고 추측했다.

방법론
저자들은 추측된 상한을 증명하기 위해 다단계 확률론적 및 해석적 전략을 사용한다. 증명은 Caich [5]의 일반적인 구조를 따르되, 모멘트 추정에서 결정적인 정교화를 도입한다.

1. 이산화 및 보간(Discretization and Interpolation):
   연속 변수 $x$는 희소 수열인 "테스트 지점" $x_i = \lfloor \exp(i c_0) \rfloor$로 대체된다. 보조정리 3.8은 연속적인 테스트 지점 사이에서 $M_f(x)$의 변동이 거의 확실하게(almost surely) 매우 미미함(any power of $\log x$보다 작음)을 보여주며, 이를 통해 문제를 $M_f(x_i)$를 바운딩하는 문제로 축소할 수 있게 한다.

2. 최대 소인 분해(Largest-Prime Decomposition):
   합 $M_f(x_i)$는 $n \le x_i$인 정수들의 최대 소인 $P(n)$을 기준으로 분해된다. 소수들은 블록 $(y_{j-1}, y_j]$로 분할된다.

• 매끄러운 항(Smooth Term): $P(n) \le y_0$인 정수들.
• 단일 발생 항($M_f^{(1)}$): 최대 소인이 정확히 한 번 나타나는 정수들. 이는 소수 인덱스를 가진 마팅게일(martingale)을 형성한다.
• 반복 발생 항($M_f^{(2)}$): 최대 소인이 적어도 두 번 나타나는 정수들. 라데마허 모델에서 이 항은 사라진다.

3. 스무딩 및 이차 변동(Smoothing and Quadratic Variation):
   단일 발생 항의 제어는 그 예측 가능한 이차 변동 $V_\ell(x_i; f)$를 바운딩하는 것에 의존한다. 저자들은 $V_\ell$을 주된 로그 평균 제곱 항 $M_\ell$과 여러 보조 오차 항($\lambda$-항, 경계 항, $W$-항)에 연결하는 스무딩 부등식(Proposition 3.15)을 활용한다. 이러한 보조 항들은 표준적인 확률론적 도구(Doob의 부등식, Azuma–Hoeffding)를 통해 가산(summable)됨이 입증된다.

4. 핵심 혁신: 조건부 고차 모멘트(Conditional Higher Moments):
   핵심적인 어려움은 $J \asymp \log \log x$개의 소수 블록 전체에 걸쳐 $M_\ell$을 균등하게 제어하는 데 있다.

• 기존 접근법 (Caich): 블록들에 대해 합산된 조건부 1차 모멘트 추정에 의존하였으며, 이 과정에서 $\sqrt{\log \log x}$ 인자의 손실이 발생했다.
• 현재 접근법: 저자들은 고정된 조건부 $r$차 모멘트 추정(Proposition 5.2 슈타인하우스, Proposition 7.8 라데마허)을 도입한다. 이들은 기울어진(tilted), 정규화된 오일러 곱 적분 $I_j$를 정의하고, 이것이 슈퍼마팅게일(supermartingale)을 형성함을 증명한다(Lemma 5.1, Lemma 7.7).
• 결정적으로, 저자들은 $U_j$가 주된 항을 지배할 때 $E[U_j^r \mid \mathcal{F}_{y_{j-1}}] \ll I_{j-1}^r$임을 확립한다. 이 고차 모멘트 제어는 정지 논법(stopping argument, 슈타인하우스의 경우 Harper [9]의 $2/3$-모멘트 바운드와 라데마허의 경우 이동된 추정치를 사용)과 결합되어 $L^{-1}$ ($L \asymp \log \log x$)의 보상 인자를 생성한다. 이는 $J$개의 블록에 대한 유니온 바운드(union bound)를 정확히 상쇄하여, 추가적인 $\sqrt{\log \log x}$ 손실을 제거한다.

5. 모델별 조정:

• 슈타인하우스: 표준적인 하이퍼컨트랙티브 부등식(Lemma 3.1)과 전선(full-line) 평균 제곱에 대한 Harper의 저차 모멘트 추정(Lemma 4.1)을 사용한다.
• 라데마허: 부호가 회전 불변성을 갖지 않기 때문에 수정이 필요하다. 저자들은 이동된 단위 구간 추정(Lemma 7.4)을 사용하고, 라데마허 모델의 특정 오일러 곱 구조에 맞게 슈퍼마팅게일 구성을 적응시킨다(Lemma 7.7).

주요 결과
메인 정리는 두 모델에 대해 날카로운 거의 확실 상한을 확립한다:

정리 1: $f$가 슈타인하우스 또는 라데마허 무작위 곱셈 함수일 때, 모든 $\varepsilon > 0$에 대하여 거의 확실하게:
$$|M_f(x)| \ll_{\varepsilon, f} \sqrt{x} (\log \log x)^{1/4 + \varepsilon}$$

이는 Proposition 1.1에 의해 뒷받s되는 더 정밀한 고정 차수 진술을 제공한다: 임의의 정수 $r \ge 2$와 $\eta > 0$에 대하여 거의 확실하게:
$$|M_f(x)| \ll_{r, \eta, f} \sqrt{x} (\log \log x)^{1/4 + 1/(2r) + \eta}$$

이 식을 Harper의 하한(1.6)과 결합함으로써, 저자들은 정확한 로그 지수를 도출한다:
$$\limsup_{x \to \infty} \frac{\log(1 + |M_f(x)|/\sqrt{x})}{\log \log \log x} = \frac{1}{4}$$

의의 및 주장
본 논문은 무작위 곱셈 함수의 큰 변동에 관한 Harper의 추측을 해결했다고 주장한다. 로그 지수 $1/4$을 결정함으로써, 이 연구는 이전의 상한들(지수가 $2$또는$3/4$였던 것들)과 알려진 하한 사이의 격차를 해소한다.

저자들은 증명이 곱셈적 상관관계로 인해 실패하는 독립성 논거에 의존하는 것이 아니라, $x$가 변함에 따라 이러한 상관관계가 어떻게 지속되는지에 대한 정교한 이해에 기반하고 있음을 강조한다. 주요 기술적 기여는 이전 작업의 조건부 1차 모멘트 단계를 단일 소수 블록에 대한 고정 조건부 $r$차 모멘트 추정으로 대체한 것이다. 이 혁신은 로그 개수의 소수 블록에 대한 유니온 바운드를 정밀하게 흡수하여 추측된 지수를 달성하게 한다. 저자들은 이 결과가 하한과 함께 이러한 무작위 곱셈 함수의 부분 합의 크기를 완전히 특징짓는다고 단언한다.