Recovering Kodaira types from $\ell$-torsion on elliptic curves

Resumo Técnico: Recuperação de Tipos de Kodaira a partir da $\ell$-torsão em Curvas Elípticas

Enunciado do Problema
O clássico critério de Néron-Ogg-Shafarevich caracteriza a redução boa de uma curva elíptica $E$ sobre um corpo $p$-ádico $K$ através da ação da inércia no módulo de Tate $\ell$-ádico $T_\ell(E)$. No entanto, este critério possui limitações quanto à classificação mais refinada dos tipos de redução. Especificamente, a ação da inércia no grupo finito $E[\ell]$ é insuficiente para distinguir entre redução potencialmente boa e potencialmente multiplicativa. Além disso, a ação no módulo de Tate completo $T_\ell(E)$ geralmente não determina o tipo de Kodaira específico da fibra especial. Embora o algoritmo de Tate possa determinar o tipo de Kodaira a partir de uma equação de Weierstrass, isso requer a passagem para um modelo mínimo. Métodos existentes para características de resíduo 2 e 3 (por exemplo, de Kraus e Papadopoulos) também dependem de valorações de invariantes derivados de modelos mínimos. O problema central abordado é se os pontos de $\ell$-torsão $E[\ell]$, equipados com estrutura adicional, podem determinar o tipo de Kodaira sem exigir um modelo mínimo ou o módulo de Tate completo.

Metodologia
O artigo introduz uma estrutura geométrica no conjunto de coordenadas $x$ dos pontos de $\ell$-torsão não triviais, denotado por $X_\ell = \{x(P) \mid P \in E[\ell] \setminus \{O_E\}\}$. Este conjunto é dotado de uma função de distância não-arquimediana $d(x_1, x_2) = v_K(x_1 - x_2)$, induzida pela valoração do corpo local $K$.

A ferramenta central é a imagem de clusters de $\ell$-torsão (ou $\ell$-torsion cluster picture), uma adaptação da formalidade da "imagem de clusters padrão" (desenvolvida por Dokchitser et al. para curvas hiperelípticas) para as raízes do polinômio de divisão de $\ell$ de uma curva elíptica. Esta estrutura registra as distâncias não-arquimedianas entre os pontos em $X_\ell$ e os organiza em clusters aninhados baseados em sua proximidade.

A metodologia procede em três estágios:

1. Análise da Forma do Cluster: O artigo estabelece que a forma da imagem de clusters (o arranjo combinatório de clusters aninhados) é invariante sob mudanças admissíveis de coordenadas de Weierstrass. Esta forma distingue entre dois casos fundamentais:
   • Redução Potencialmente Boa: Todos os pontos em $X_\ell$ são equidistantes (um único cluster).
   • Redução Potencialmente Multiplicativa: Os pontos formam uma sequência estritamente aninhada de subclusters.
2. Cálculo de Distância em Modelos Mínimos: O autor computa as profundidades absoluta e relativa destes clusters para modelos de Weierstrass mínimos em ambos os cenários de redução boa e multiplicativa. Isso envolve relacionar as profundidades dos clusters com a valoração do discriminante mínimo $\Delta_{\min}$ e do condutor $N$.
3. Reconstrução do Tipo de Kodaira: Ao combinar a forma invariante com os valores específicos das distâncias (profundidades), o artigo deriva fórmulas explícitas para recuperar o tipo de Kodaira. Para característica de resíduo $p \geq 5$, as distâncias sozinhas são suficientes. Para $p=2,3$, as distâncias combinadas com a ação da inércia em $E[\ell]$ são necessárias para resolver ambiguidades (especificamente distinguindo entre redução multiplicativa e multiplicativa aditiva, como os tipos $I_n$ e $I_n^*$).

Principais Contribuições e Resultados

• Teorema 1.1 (Tipo de Redução Potencial): O artigo prova que o arranjo dos pontos em $X_\ell$ determina se $E$ possui redução potencialmente boa ou potencialmente multiplicativa. Especificamente, $E$ tem redução potencialmente boa se, e somente se, os pontos de $X_\ell$ são equidistantes; caso contrário, tem redução potencialmente multiplicativa.
• Teorema 1.2 (Recuperação do Tipo de Kodaira):
  • Para característica de resíduo $p \geq 5$, as distâncias entre os pontos em $X_\ell$ determinam unicamente o tipo de Kodaira da fibra especial.
  • Para $p=2,3$, as distâncias junto com o módulo de inércia $E[\ell]$ determinam o tipo de Kodaira, desde que $E$ não possua redução potencialmente boa do tipo $I_n^*$.
• Teorema 1.4 (Classificação Explícita): Este teorema fornece o algoritmo explícito para recuperar o tipo de Kodaira:
  • Caso Potencialmente Bom: Se os pontos são equidistantes com distância $d$, o tipo de Kodaira é determinado por $6d - \eta \pmod{12}$, onde $\eta$ depende da valoração do condutor.
  • Caso Potencialmente Multiplicativo: Se os pontos não são equidistantes, sejam $d_0$ e $d_1$ as duas menores distâncias distintas, a diferença $\delta_1 = d_1 - d_0$ relaciona-se com o inteiro $n$ no tipo de Kodaira $I_n$ ou $I_n^*$ via $\delta_1 = n/\ell$.
    • Para $p \neq 2$, a paridade da profundidade absoluta $d_0$ distingue entre $I_n$ (par) e $I_n^*$ (ímpar).
    • Para $p=2$, distinguir $I_n$ de $I_n^*$ requer analisar a ação da inércia em $E[\ell]$ para detectar elementos não-unipotentes, e a valoração do diferente da extensão semiestável é usada para calcular $n$ para o tipo $I_n^*$.

Significância
O artigo demonstra que os pontos de $\ell$-torsão $E[\ell]$, quando vistos como um espaço métrico via suas coordenadas $x$, contêm informação aritmética suficiente para recuperar o tipo de Kodaira de uma curva elíptica. Este resultado oferece uma vantagem significativa sobre as abordagens clássicas:

1. Independência de Modelo: As distâncias da $\ell$-torsão podem ser computadas diretamente de um modelo de Weierstrass arbitrário, evitando a necessidade de primeiro computar um modelo mínimo ou um discriminante mínimo.
2. Refinamento da Ação de Inércia: Enquanto o clássico critério de Néron-Ogg-Shafarevich depende da ação no módulo de Tate infinito, este trabalho mostra que o grupo finito $E[\ell]$, aumentado com dados métricos, desempenha um papel semelhante na detecção de tipos de redução.
3. Extensão para Pequenas Características: O artigo aborda os casos difíceis de características de resíduo 2 e 3, onde invariantes padrão frequentemente falham em distinguir tipos de redução sem modelos mínimos, integrando a ação da inércia no grupo de torsão finito.

O trabalho é paralelo à utilidade das imagens de clusters padrão no estudo de curvas hiperelípticas, estendendo essas ferramentas combinatórias-aritméticas ao contexto específico da redução de curvas elípticas.