On the $\beta=2$ Partition function for Dirichlet $L$-functions in the $q$-aspect

기술 요약: $q$-측면에서의 디리클레 $L$-함수에 대한 $\beta = 2$ 분할 함수에 관하여

문제 정의
본 논문은 큰 소수 $q$에 대한 전형적인 디리클레 문자 $\chi$에 대하여, 특히 중심점 $s=1/2$ 근처에서 디리클레 $L$-함수 $L(s, \chi)$의 크기를 조사한다. 주요 연구 대상은 메조스코픽(mesoscopic) 구간에 대한 $\beta = 2$ 분할 함수이다:
$$Z_2(q, \chi, \theta) = \int_{|h| \le \log^\theta(q)/2} |L(1/2 + ih, \chi)|^2 dh$$
여기서 $\theta \in (-1/2, 0]$이다. 이 연구는 $L$-함수의 최댓값과 모멘트에 대해 특정 정규화와 극한 분포를 예측하는 Saksman–Webb 및 Fyodorov–Hiary–Keating (FHK) 추측의 $q$-아날로그에 의해 동기 부여되었다. 핵심 과제는 올바른 정규화 인자(涉及 $\sqrt{\log \log q}$)를 결정하고, $|L(1/2+ih, \chi)|$의 전형적인 최댓값에 대한 날카로운 상한을 확립하는 것이다.

방법론
증명은 해석적 정수론과 확률론적 방법의 결합에 의존하며, 리만 제타 함수에 대해 개발된 Harper, Arguin 등의 기법을 $q$-측면에 적응시킨 것이다.

1. 무작위화 논증 (Randomization Argument): 핵심 기법은 결정론적인 문자 합(character sums)을 Steinhaus 무작위 곱셈 함수 $f(n)$을 포함하는 합으로 변환하는 것이다. 디리클레 문자의 직교성과 특정 모멘트 추정치(Lemma 2 및 Lemma 3)를 사용하여, 저자는 문자에 대한 평균을 무작위 곱셈 함수의 기대값으로 근사한다. 이를 통해 직접 적용하기 어려운 결정론적 $L$-함수에 확률론적 도구를 사용할 수 있게 한다.
2. 근사 함수 방정식과 인수분해 (Approximate Functional Equation and Factorization): $L$-함수는 근사 함수 방정식을 사용하여 근사되며, 생성된 디리클레 다항식을 다음과 같이 정수의 소인수 분해에 따라 구성 요소로 나눈다:
   • 매끄러운 부분 (Smooth part): 모든 소인수가 $P_\theta = \exp(\log^{|\theta|} q)$ 이하인 정수들.
   • 거친 부분 (Rough part): 모든 소인수가 $P_\theta$보다 큰 정수들.
   • 중간 부분 (Intermediate part): 특정 범위의 소인수를 가진 정수들.
     이 인수분해는 "로그-정규(log-normal)" 기여(매끄러운 수로부터 기인)와 "로그-상관(log-correlated)" 기여(거친 수로부터 기인)를 분리한다.
3. 명시적 조건부화 (Explicit Conditioning): 본 연구의 참신한 측면은 메조스코픽 구간($\theta < 0$)을 다루는 방식이다. 저자는 매끄러운 수들에 대한 디리클레 다항식의 값 $Y_{P_\theta}(0)$에 대한 명시적 조건부화를 도입한다. 이는 매끄러운 부분이 해당 구간에서 본질적으로 "고정(frozen)"되어 있으며, 그 값이 적분의 크기를 결정하기 때문에 필요하다. 본 논문은 이전 연구들(예: Harper [Har23])에서 사용된 암묵적 조건부화를 체이닝 논증(chaining argument)을 통한 명시적인 일점 조건부화 진술로 재구성한다.
4. 체이닝과 장벽 사건 (Chaining and Barrier Events): 로그-상관 부분의 최댓값을 제어하기 위해, 저자는 체이닝 논증(Proposition 3.1)을 사용하고 부분 오일러 곱의 성장을 제한하는 장벽 사건(예: $G_\chi$)을 정의한다. 이 사건들은 가우시안 곱셈 카오스(Gaussian multiplicative chaos)의 거동을 모사한다.
5. 코시 적분 공식 (Cauchy Integral Formula): 최댓값 상한 증명(Theorem 3)을 위해, 저자는 작은 직사각형에 대한 코시 적분을 사용하여 $L$의 값을 전형적인 최댓값 지점에서 근사한다. 이는 문제를 특정 범위에서의 4차 모멘트 또는 $\beta=2$ 분할 함수를 추정하는 문제로 환원시킨다.

주요 기여 및 결과

• 정리 1 (분할 함수의 모멘트): $\theta = 0$인 경우, 본 논문은 $Z_2(q, \chi, 0)$의 모멘트 상한을 확립한다. $r \in [0, 1]$에 대하여, $r$차 모멘트의 평균이 다음을 만족함을 증명한다:
  $$\frac{1}{q-1} \sum_{\chi \pmod q} (Z_2(q, \chi, 0))^r \ll \left( \frac{\log q}{1 + (1-r)\sqrt{\log \log q}} \right)^r$$
  이는 Saksman–Webb 추측의 정규화 인자인 $\sqrt{\log \log q}$가 올바름을 입증한다.

• 정리 2 (조건부 메조스코픽 분할 함수): $\theta \in (-1/2, 0]$인 경우, 저자는 매끄러운 부분 $Y_{P_\theta}(0)$의 값에 조건부된 $Z_2(q, \chi, \theta)$의 모멘트 상한을 유도한다. 이 상한은 조건부화 파라미터 $W$와 구간 크기 $\theta$에 명시적으로 의존한다:
  $$\frac{1}{q-1} \sum_{\chi \pmod q} \left[ (Z_2(q, \chi, \theta))^r \mid Y_{P_\theta}(0) \in [W, W+1] \right] \ll \left( \frac{e^{2W} \log^{1+2\theta} q}{1 + (1-r)\sqrt{\log \log q}} \right)^r$$
  이 결과는 이전의 리만 제타 함수에 대한 상한을 $q$-측면으로 일반화하며, 줄어드는 구간에 필요한 명시적 조건부화를 처리한다.

• 따름정리 1 (꼬리 상한): 모멘트 상한은 분할 함수에 대한 꼬리 상한(tail bounds)을 함의하며, 이는 추측 1에서 예측된 차수의 크기를 확인해 준다.

• 정리 3 (전형적 최댓값의 상한): 저자는 전형적인 문자에 대하여 $|h| \le 1/2$ 범위 내 $|L(1/2+ih, \chi)|$의 최댓값에 대한 상한을 증명한다. 구체적으로 $0 \le U \le \log \log q$에 대하여:
  $$\frac{1}{q-1} \# \left\{ \chi \pmod q : \max_{|h| \le 1/2} |L(1/2+ih, \chi)| \ge \frac{e^U \log q}{(\log \log q)^{3/4}} \right\} \ll e^{-2U} (\log \log \log q)^2 (\log \log \log q + U)$$
  이는 추가적인 로그 인자를 제외하면, $q$-아날로그 Fyodorov–Hiary–Keating 추측의 예측과 2차 보정 항까지 일치하는 상한을 확립한다.

의의 및 주장
본 논문은 $q$-측면에서 디리클레 $L$-함수의 전형적 최댓값에 대한 상한이 2차 보정 항까지(추가적인 로그 인자를 포함하여) FHK 추측의 예측과 일치함을 입증한다고 주장한다. 저자는 $\beta=2$ 분할 함수가 이러한 최댓값을 이해하는 데 결정적인 도구임을 보여주는데, 이는 더 작은 $\beta$에서는 불가능한 "발롯 정리(ballot theorem)"에 의한 이득을 얻을 수 있게 하기 때문이다.

저자는 상한이 2차 항까지는 날카롭지만, 본 논문이 일치하는 하한을 추구하지는 않는다고 언급한다. 하한을 포함한 전체 추측을 증명하는 것은 더 정교한 거친 수들에 대한 디리클레 다항식 처리나, 뒤틀린 4차 모멘트 계산과 같은 상당한 대수적 난제를 포함하는 완전한 추측 1의 증명을 요구하기 때문이다. 또한 본 연구는 $\log |L|$의 레벨 셋(level sets)에 의존했던 이전 방식들과 달리, 메조스코픽 구간을 다룰 때 매끄러운 수들에 대한 명시적 조건부화가 필수적임을 강조한다.

결론적으로, 본 논문은 임계 분할 함수에 대한 정규화 인자 $\sqrt{\log \log q}$가 정확한 차수임을 밝히며, 이는 임계 가우시안 곱셈 카오스 이론과 일치하는 결과이다.