On a level analog of Selberg's result on $S(t)$

这是一篇关于解析数论的学术论文，主要研究了在水平（level）方面（即模 $q$ 趋于无穷大）的 $L$-函数零点分布的矩估计问题。作者 Qingfeng Sun 和 Hui Wang 证明了关于 $S(t, f)$ 的矩的无条件渐近公式，并由此导出了加权中心极限定理。

以下是对该论文的详细技术总结：

1. 研究背景与问题 (Problem)

• 核心对象：研究的是 $S(t, f) = \frac{1}{\pi} \arg L(\frac{1}{2} + it, f)$，其中 $f$ 是权为 2、水平为素数 $q$ 的全纯 Hecke 尖形式（holomorphic Hecke cusp form）。$S(t, f)$ 衡量了 $L$-函数在临界线 $\text{Re}(s)=1/2$ 上零点的分布情况。
• 历史背景：
  • Selberg 在 1940 年代证明了黎曼 $\zeta$ 函数 $S(t)$ 的矩公式（公式 1.1），表明 $|S(t)|$ 的平均阶为 $\sqrt{\log \log T}$。
  • Selberg 随后将结果推广到狄利克 $L$-函数 $L(s, \chi)$（公式 1.2），即在模 $q$ 方面，$S(t, \chi)$ 的矩与 $(\log \log q)^n$ 相关。
  • 对于更高秩的 $L$-函数（如 GL(2) 和 GL(3)），之前的工作（如 Hejhal, Luo, Liu, Liu 等）大多依赖于广义黎曼猜想 (GRH) 或者是在谱（spectral）和权（weight）方面取得的结果。
• 本文目标：在不假设 GRH 的前提下，建立 GL(2) 情形下，全纯 Hecke 尖形式 $f$ 的 $S(t, f)$ 矩的无条件渐近公式。这是 Selberg 经典结果在水平（level）方面的类比。

2. 主要方法 (Methodology)

为了克服不依赖 GRH 的困难，作者采用了以下关键技术手段：

1. 截断狄利克雷级数近似 (Truncated Dirichlet Series Approximation)：

   • 利用 $L$-函数的对数导数 $-\frac{L'}{L}(s, f)$ 的狄利克雷级数展开。
   • 通过引入平滑截断函数 $\Lambda_x(n)$ 和参数 $x$，将 $S(t, f)$ 近似为一个主要项 $M(t, f)$（由素数项组成的截断和）加上一个误差项 $R(t, f)$。
   • 主要项定义为：$M(t, f) = \frac{1}{\pi} \text{Im} \sum_{p \le x^3} \frac{C_f(p)}{p^{1/2+it}}$，其中 $C_f(p) = \alpha_f(p) + \beta_f(p) = \lambda_f(p)$。

2. 加权零密度估计 (Weighted Zero-Density Estimate)：

   • 这是证明无条件结果的关键。作者使用了 Kowalski-Michel 证明的加权零密度估计引理（Lemma 2.4）。
   • 该引理给出了 $L$-函数在临界带内零点数量的加权上界，形式为 $\sum \omega_f N(f; \sigma, T) \ll q^{-2c(\sigma-1/2)}$。
   • 利用这一估计，作者能够控制 $S(t, f)$ 与 $M(t, f)$ 之间的误差项 $R(t, f)$ 的矩，证明其在平均意义下是可以忽略的（即 $R(t, f)$ 的矩为 $O(1)$）。

3. Petersson 迹公式与正交性 (Petersson Trace Formula)：

   • 在计算 $M(t, f)$ 的矩时，利用 Petersson 迹公式（Lemma 2.2）处理 Hecke 特征值 $\lambda_f(n)$ 的加权平均。
   • 通过展开 $M(t, f)^n$，将问题转化为对素数乘积的求和。利用 Hecke 算子的乘法性质（公式 1.4）和迹公式中的对角项主导性质，计算主项。

4. 矩方法 (Method of Moments)：

   • 通过计算 $S(t, f)$ 的各阶矩，利用概率论中的矩收敛定理（Lemma 2.5），证明其分布收敛于高斯分布。

3. 主要结果 (Key Results)

定理 1.1：矩的渐近公式

对于给定的 $t > 0$ 和正整数 $n$，当素数 $q$ 足够大时，有：
$$\sum_{f \in H_2(q)} \omega_f \cdot S(t, f)^n = C_n (\log \log q)^{n/2} + O_{t,n}((\log \log q)^{(n-1)/2})$$
其中：

• $\omega_f$ 是调和权重（Harmonic weight），定义为 $\omega_f = \frac{1}{4\pi \langle f, f \rangle}$。
• $C_n$ 是常数：若 $n$ 为偶数，$C_n = \frac{n!}{(n/2)! (2\pi)^n}$；若 $n$ 为奇数，$C_n = 0$。
• 推论：这表明 $|S(t, f)|$ 的平均阶为 $\sqrt{\log \log q}$，与 Selberg 关于 $\zeta$ 函数和狄利克 $L$-函数的结果一致。

定理 1.2：加权中心极限定理

定义概率测度 $\mu_q$ 为：
$$\mu_q(E) = \frac{\sum_{f \in H_2(q)} \omega_f \cdot \mathbb{1}_E\left( \frac{S(t, f)}{\sqrt{\log \log q}} \right)}{\sum_{f \in H_2(q)} \omega_f}$$
当 $q \to \infty$ 时，$\mu_q$ 收敛于均值为 0、方差为 $(2\pi^2)^{-1}$ 的高斯分布。即：
$$\lim_{q \to \infty} \mu_q([a, b]) = \sqrt{\pi} \int_a^b \exp(-\pi^2 \xi^2) d\xi$$

4. 技术细节与证明思路

1. 近似分解：将 $S(t, f)$ 分解为 $M(t, f) + R(t, f)$。
2. 误差控制：利用零密度估计证明 $\sum \omega_f |R(t, f)|^{2n} = O(1)$。这意味着误差项在矩的渐近公式中不贡献主项。
3. 主项计算：
   • 计算 $\sum \omega_f M(t, f)^n$。
   • 展开 $M(t, f)^n$ 得到涉及素数 $p_1, \dots, p_r$ 的乘积项。
   • 利用迹公式，只有当指数满足特定配对条件（即 $m(p_j) \equiv n(p_j) \pmod 2$ 且总和为偶数）时，对角项才非零。
   • 最终求和转化为素数倒数和的幂，利用 $\sum_{p \le x} \frac{1}{p} \sim \log \log x$ 得到 $(\log \log q)^{n/2}$ 的主项。
4. 奇偶性：由于 $S(t, f)$ 的分布关于 0 对称，奇数阶矩为 0。偶数阶矩对应高斯分布的矩。

5. 意义与贡献 (Significance)

1. 无条件性 (Unconditional)：这是该领域的重要突破。之前的许多关于高秩 $L$-函数零点分布矩的结果都依赖于广义黎曼猜想 (GRH)。本文通过引入加权零密度估计，成功去除了对 GRH 的依赖，证明了 GL(2) 水平方面的无条件结果。
2. 水平方面的类比：完善了 Selberg 经典理论在 $L$-函数族不同参数（谱、权、水平）方面的类比。此前 Liu 和 Shim 已在权（weight）方面取得了类似结果，本文填补了水平（level）方面的空白。
3. 统计分布的确认：证实了 $S(t, f)$ 在归一化后服从高斯分布，这加深了我们对 $L$-函数零点在临界线上随机分布特性的理解，支持了随机矩阵理论在数论中的预测。
4. 方法论的推广：文中发展的截断近似结合加权零密度估计的技术，为处理其他 $L$-函数族的矩问题提供了通用的技术框架。

总结来说，这篇论文通过精细的分析技巧，特别是结合截断狄利克雷级数和零密度估计，成功地在无条件的前提下，确立了全纯尖形式 $L$-函数在临界线上幅角变化的统计规律，是解析数论中 $L$-函数值分布研究的重要进展。