🔢 mathematics

Random Chowla's Conjecture for Rademacher Multiplicative Functions

该论文证明了对于满足特定条件的多项式，Rademacher 随机乘性函数在多项式参数下的部分和经适当标准化后依分布收敛于标准高斯分布，从而证实了 Najnudel 的猜想并回答了 Klurman-Shkredov-Xu 的问题，同时证明了 $\sum f(n^2+1)$ 几乎必然存在符合重对数律预期的巨大波动。

原作者： Jake Chinis, Besfort Shala

发布于 2026-03-09

📖 1 分钟阅读🧠 深度阅读

CC BY 4.0

原作者： Jake Chinis, Besfort Shala

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文听起来非常深奥，充满了数学符号和复杂的术语，但它的核心思想其实非常有趣，甚至可以用一些生活中的比喻来解释。

简单来说，这篇文章是在研究**“随机性”和“规律”在数字世界中是如何共舞的**。

1. 核心角色：数字的“性格”

想象一下，我们有一个特殊的数字序列，叫做穆比乌斯函数（ $\mu(n)$ ）。

在传统的数学世界里，这个函数就像是一个性格古怪但完全确定的老顽童。它的值（1, -1 或 0）是由数字本身的质因数结构严格决定的，没有任何随机性。
数学家们一直怀疑，虽然它是确定的，但它的行为看起来却像是随机抛硬币一样（正面是 1，反面是 -1）。这就是著名的“伪随机性”。

为了验证这个猜想，作者 Jake Chinis 和 Besfort Shala 决定做一个思想实验：

他们不再使用那个“老顽童”，而是创造了一个真正的随机角色，叫拉达梅克随机乘性函数（Rademacher RMF）。
这个角色的规则很简单：遇到质数时，它像抛硬币一样随机决定是 +1 还是 -1。然后，它把这种随机性“传染”给所有由这些质数相乘组成的数字。

比喻：
想象你在玩一个巨大的多米诺骨牌游戏。

传统观点：骨牌倒下的顺序是预先写好的剧本（确定的）。
本文观点：我们在每个骨牌上装了一个微型随机开关。虽然开关是随机的，但骨牌之间有着严格的物理连接（乘法结构）。我们要问：当这一长串骨牌倒下时，它们产生的总效果（部分和）会像真正的随机漫步一样，最终回归到正态分布（钟形曲线）吗？

2. 主要发现一：随机漫步的“中心极限定理”

问题： 如果我们把 $f(P(n))$ 加起来（其中 $P(n)$ 是一个多项式，比如 $n^2+1$ 或 $(n+1)(n+2)$ ），这个总和会呈现什么规律？

以前的认知：
对于简单的线性多项式（比如 $n$ 或 $2n+1$ ），数学家们已经知道，如果 $P(n)$ 是随机生成的，总和会像钟形曲线（高斯分布）一样。
但对于更复杂的多项式（比如 $n^2+1$ ），这是一个巨大的挑战。这就好比你在玩一个更复杂的迷宫，随机性是否还能让你走出一个完美的钟形曲线？

本文的突破：
作者证明了，只要多项式 $P(n)$ 满足一定条件（比如是两个不同线性因子的乘积，或者是一个不可约的二次多项式如 $n^2+1$ ），那么：

当你把足够多的项加起来并除以 $\sqrt{N}$ 后，结果会完美地收敛到一个标准的“钟形曲线”（正态分布）。

通俗解释：
想象你在玩一个**“随机行走”的游戏**。

你每走一步，方向由 $f(P(n))$ 决定（向左或向右）。
虽然每一步看起来是随机的，而且路径 $P(n)$ 有复杂的数学结构（像 $n^2+1$ 这样），但只要你走得足够远（ $N$ 很大），你最终的位置分布就会变得极其规律，形成一个完美的钟形曲线。
这证实了著名的Chowla 猜想在随机模型下的版本。也就是说，即使数字结构很复杂，这种“伪随机”的混沌最终也会呈现出完美的统计规律。

3. 主要发现二：偶尔的“疯狂大波动”

问题： 既然总和通常遵循钟形曲线，那么它会不会偶尔出现极其巨大的波动？

直觉：
根据“重对数律”（Law of the Iterated Logarithm），在随机游走中，偶尔会出现一些异常大的值，其大小大约是 $\sqrt{N \log \log N}$ 。这比普通的波动要大得多。

本文的突破：
作者专门研究了 $P(n) = n^2 + 1$ 的情况。他们证明了：

几乎可以肯定（概率为 1），存在无限多个时刻 $N$ ，使得总和的绝对值会突然变得非常大，达到 $\sqrt{N \log \log N}$ 的量级。

通俗解释：
想象你在海边散步（随机游走）。

通常，你离起点的距离是 $\sqrt{N}$ 左右。
但偶尔，大海会掀起巨浪，把你推得比平时远得多，达到 $\sqrt{N \log \log N}$ 的距离。
这篇论文证明了，在这个特定的数学游戏中，这种**“巨浪”不仅存在，而且会无限次地发生**。这符合我们对随机过程最极端的预期。

4. 他们是怎么做到的？（技术比喻）

为了证明这些，作者使用了两种主要工具：

鞅（Martingale）与“公平游戏”：
他们把求和过程看作是一系列“公平游戏”。每一步的增量（基于新的质数）在已知之前的情况下，期望值为 0。这就像是一个公平的赌场，你赢或输的概率是均等的。利用这种结构，他们可以将复杂的求和问题转化为标准的概率论问题。
数论中的“计数难题”：
这是最困难的部分。要证明上述的“钟形曲线”和“大波动”，必须精确计算某些特定的数字组合出现的次数。
- 比喻： 想象你要统计在一个巨大的迷宫里，有多少条路径会恰好形成一个完美的正方形（数学上的“平方数”）。
- 作者需要证明，除了那些显而易见的“平凡路径”（比如自己走回头路），几乎不存在其他复杂的、非平凡的路径能形成完美的正方形。
- 他们通过一种**“自举”（Bootstrapping）**的方法，结合现代数论中关于曲线上整点分布的深刻定理（Bombieri-Pila 定理），成功证明了这些“意外巧合”发生的概率极低，可以忽略不计。

总结

这篇论文就像是在混沌与秩序的边缘进行了一次精密的探险。

它告诉我们，即使是在由随机规则生成的复杂数字序列中，宏观的统计规律（正态分布）依然坚不可摧。
同时，它也确认了微观的极端事件（大波动）确实会发生，并且符合理论预测。

这不仅解决了数学家 Najnudel 和 Klurman 等人提出的猜想，也加深了我们对**“随机性如何在有结构的系统中运作”**这一根本问题的理解。简单来说，它证明了：在数学的随机世界里，混乱中依然有着完美的秩序，而偶尔的疯狂也是秩序的一部分。

这是一篇关于解析数论中**随机乘法函数（Random Multiplicative Functions）**分布性质的学术论文。作者 Jake Chinis 和 Besfort Shala 研究了在多项式参数下，Rademacher 随机乘法函数的部分和的分布及其大波动行为。

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：Rademacher 随机乘法函数 $f(n)$ 。定义为：对于素数 $p$ ， $f(p)$ 是独立同分布（i.i.d.）的随机变量，取值为 $\pm 1$ 且概率各半；对于合数 $n$ ，若 $n$ 无平方因子，则 $f(n) = \prod_{p|n} f(p)$ ，否则 $f(n)=0$ 。它是 M"obius 函数 $\mu(n)$ 的概率模型。
研究问题：
1. 中心极限定理 (CLT)：对于给定的多项式 $P(x) \in \mathbb{Z}[x]$ ，部分和 $S_N = \sum_{n \le N} f(P(n))$ 在适当归一化后是否收敛于标准正态分布？这被称为随机 Chowla 猜想的 Rademacher 版本。
2. 大波动 (Large Fluctuations)：部分和是否存在符合重对数律（Law of the Iterated Logarithm, LIL）的大波动，即是否存在 $N$ 使得 $|S_N| \gg \sqrt{N \log \log N}$ ？
现有进展：
- 对于 Steinhaus 随机乘法函数（取值在单位圆上，完全乘法），Klurman-Shkredov-Xu [KSX23] 和 Wang-Xu [WX24] 已经证明了对于大多数多项式，归一化部分和收敛于复高斯分布。
- 对于 Rademacher 情况，由于函数取值为实数且仅定义在无平方因子数上，其矩估计（特别是二阶和四阶矩）涉及更复杂的算术计数问题（如寻找平方数），此前尚未完全解决。Najnudel 曾提出相关猜想，Klurman-Shkredov-Xu 也提出了相关问题。

2. 主要贡献与结果 (Key Contributions & Results)

定理 1.2：Rademacher 随机 Chowla 猜想 (中心极限定理)

条件：设 $P \in \mathbb{Z}[x]$ $P \in Z [x]$ 满足以下条件之一：
1. 是两个或以上不同线性因子的乘积；
2. 是不可约二次多项式；
3. 且满足“可容许性”条件：不存在素数 $p$ 使得对所有 $n$ 都有 $p^2 | P(n)$ 。
结论：存在常数 $\kappa_P > 0$ ，使得当 $N \to \infty$ 时：
$\frac{1}{\sqrt{\kappa_P N}} \sum_{n \le N} f(P(n)) \xrightarrow{d} \mathcal{N}(0, 1)$
即部分和归一化后收敛于标准实高斯分布。
意义：确认了 Najnudel 的猜想，并解决了 [KSX23] 中提出的关于 Rademacher 情况的问题。

定理 1.3：大波动 (Law of the Iterated Logarithm 下界)

结论：对于 $P(n) = n^2 + 1$ ，几乎必然（almost surely）存在任意大的 $N$ ，使得：
$\left| \sum_{n \le N} f(n^2 + 1) \right| \gg \sqrt{N \log \log N}$
意义：证明了 Rademacher 随机乘法函数在二次多项式上的波动达到了重对数律预期的下界，这与确定性 M"obius 函数在多项式上的波动行为预测一致。

3. 方法论与技术细节 (Methodology)

论文的核心难点在于处理 Rademacher 函数特有的算术结构，特别是计算部分和的二阶矩和四阶矩。

A. 概率框架：鞅差分序列 (Martingale Difference Sequence)

作者采用 Harper [Har13] 的策略，利用 McLeish 的中心极限定理（针对鞅差分序列）。

将部分和分解为基于素数过滤的鞅差分序列。
验证 McLeish 定理的条件归结为计算：
1. 二阶矩： $\mathbb{E}[M_N^2]$ ，对应于 $P(n)$ 为无平方因子的计数。
2. 四阶矩： $\mathbb{E}[M_N^4]$ ，对应于 $P(n_1)P(n_2)P(n_3)P(n_4)$ 为完全平方数的计数（且每个 $P(n_i)$ 无平方因子）。

B. 算术计数与曲线上的整点 (Arithmetic Counting & Integral Points)

这是论文最核心的技术突破。

二阶矩：利用已知结果（Ricci, Mirsky, Tsang 等），证明对于可容许的多项式，无平方因子值的密度为 $\kappa_P N$ 。
四阶矩 (关键难点)：
- 需要估计方程 $P(n_1)P(n_2)P(n_3)P(n_4) = \square$ 的解的数量，其中 $P(n_i)$ 无平方因子。
- 平凡解：当 $n_i$ 成对相等时（如 $n_1=n_2, n_3=n_4$ ），贡献为主项 $3\kappa_P^2 N^2$ 。
- 非平凡解：需要证明非平凡解的数量是 $o(N^2)$ 。
- 技术工具：
  1. Bombieri-Pila 定理：用于估计绝对不可约代数曲线上的整点数量。
  2. Cilleruelo-Garaev 结果：针对二次曲线的整点计数。
  3. 自举论证 (Bootstrapping Argument)：这是本文的新颖之处。作者将问题转化为计数 $aP(x) - bP(y) = 0 $的解。通过区分最大公因数$ $的解。通过区分最大公因数$ d = (P(n_1), P(n_2))$ 的大小：
    - 小公因数：利用多项式同余的除数界限和 Bombieri-Pila 定理。
    - 大公因数：利用多项式的结构（线性因子或二次不可约），证明若 $P(n_1), P(n_2)$ 有大公因数，则其结构受限，从而通过自举论证减少解的数量。
- 结果：证明了非平凡解的数量为 $O(N^{2-\delta})$ ，从而确立了四阶矩的渐近行为，验证了 CLT 的条件。

C. 大波动证明策略

局部化 (Localization)：将求和区间分解为多个尺度 $x_i$ 。
条件概率与独立化：
- 利用 $n^2+1$ 具有大素因子的性质（Maynard-Rudnick 结果），将 $f(n^2+1)$ 中的大素数因子 $f(p)$ 提取出来。
- 对较小的素数进行“条件化”（Conditioning），使得剩余部分成为独立随机变量的加权和。
- 利用 Normal Approximation Result (Lemma 5.1) 将离散和近似为高斯分布。
- 利用 Normal Comparison Result (Lemma 5.2) 证明在多个尺度上，这些近似高斯变量的最大值能达到 $\sqrt{\log k}$ 量级，从而导出 $\sqrt{N \log \log N}$ 的下界。

4. 论文结构概览

引言：介绍背景，对比 Steinhaus 和 Rademacher 情况，陈述主要定理。
预备知识：鞅差分序列、McLeish CLT、多项式同余、Bombieri-Pila 定理、无平方因子值密度。
核心引理 (Proposition 3.1)：详细证明四阶矩的非平凡解计数，这是全文最复杂的部分，涉及对 $d_1, d_2$ （最大公因数）的分段讨论和曲线整点计数。
定理 1.2 证明：结合引理 2.1 和 Prop 3.1，验证 CLT 条件。
定理 1.3 证明：通过尺度分解、条件概率和正态近似，证明大波动下界。
致谢。

5. 意义与影响 (Significance)

理论突破：首次完整证明了 Rademacher 随机乘法函数在多项式参数下的中心极限定理，填补了 Steinhaus 情况与 Rademacher 情况之间的理论空白。
方法创新：引入了针对 Rademacher 函数特性的“自举论证”和精细的曲线整点计数技术，解决了四阶矩估计中的算术障碍。
连接确定性与随机性：结果支持了“随机模型能捕捉确定性数论函数（如 M"obius 函数）在多项式上的统计行为”这一观点。特别是大波动结果，暗示了 $\sum \mu(n^2+1)$ 的波动可能也遵循重对数律，尽管确定性情况下的上界仍是开放问题。
未来方向：论文指出了完全乘法 Rademacher 函数（模拟 Liouville 函数）的情况更为复杂，涉及二次扭（Quadratic Twists）的整点计数，是未来的研究方向。

总的来说，这是一篇高质量的解析数论论文，通过结合概率论（鞅、中心极限定理）和深刻的算术几何（整点计数、曲线理论），解决了随机乘法函数领域的一个长期猜想。