🔢 mathematics

Almost sure bounds for weighted sums of Rademacher random multiplicative functions

本文确立了拉德马赫尔乘性随机函数加权和的几乎处处上界与下界，证明了它们的增长受乘性混沌支配，且与斯坦海斯情形显著不同，同时也为限制在具有大素因子的整数上的求和提供了更精细的上界。

原作者： Christopher Atherfold

发布于 2026-02-04

📖 1 分钟阅读🧠 深度阅读

原作者： Christopher Atherfold

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

大局观：一场关于数字的概率游戏

想象一下，你正在玩一个装满巨大数字袋子的游戏。对于每一个质数（比如 2, 3, 5, 7...），你抛掷一次公平的硬币。

正面： 你为该数字分配 +1。
反面： 你为该数字分配 -1。

一旦你为这些质数分配了数值，你就为所有其他数字创建了一个规则：如果一个数是由不同的质因数组成的（比如 $6 = 2 \times 3$ ），你就将它们分配的数值相乘。如果一个数有重复的质因数（比如 $4 = 2 \times 2$ ），则其值为 0。

这创造了一个随机的数字序列 $f(n)$ ，它看起来看似混乱，却遵循严格的数学规则。数学家们长期以来一直对这些数字的“部分和”感到着迷——基本上就是随着过程不断进行累加（ $f(1) + f(2) + f(3) + \dots$ ）。

问题所在：“加权”求和

在这篇论文中，作者不仅仅是在简单地累加这些数字，他还在使用一个权重进行累加。具体来说，他研究的是这个求和式：
$\frac{f(1)}{\sqrt{1}} + \frac{f(2)}{\sqrt{2}} + \frac{f(3)}{\sqrt{3}} + \dots + \frac{f(x)}{\sqrt{x}}$

可以把这想象成一场比赛，其中的选手（数字）随着比赛的进行变得越来越慢。第一个选手全速奔跑，第二个选手减半速，第三个选手大约以 57% 的速度运行，以此类类推。问题是：这个总距离偏离零点的程度会有多大？

在纯粹随机的世界里，你可能会预期这个总和保持在相对较小的范围内，像一个在回家路上踉跄前行的醉汉一样在零点附近徘徊。然而，因为这些数字具有“乘性”（通过它们的质因数相互关联），它们的行为并不像简单的抛硬币那样。它们拥有隐藏的模式，可能导致巨大的、意想不到的波动。

主要发现：一个令人惊讶的大小极限

作者证明了一个关于这些波动能达到多大的特定极限。

结果：
对于几乎所有可能的硬币抛掷结果，总和永远不会增长超过一个非常特定的、增长极其缓慢的函数：大约为 $(\log \log x)^{3/4}$ 。

类比：
想象你正在测量海浪的高度。你可能会预期海浪会非常巨大。但本论文指出：“如果你观察几乎所有可能的海洋状态，即使海洋变得无限大，海浪的高度也永远不会超过大约 10 米。”

作者还证明了一个“下界”：确实存在某些时刻，总和会达到 $(\log \log x)^{-1/2}$ 的大小。这证实了总和并不仅仅是静止不动；它确实在移动，但它有一个“天花板”，限制了它跳跃的高度。

这与其他模型有何不同

数学家经常使用两种随机模型来研究这些数字模式：

“Steinhaus”模型： 想象硬币的落点可以在圆周上的任何一点（复数）。这就像一个可以指向任何方向的旋转器。
“Rademacher”模型（本文所用）： 硬币抛掷严格限定为 +1 或 -1。这是一个更简单、更僵化的模型。

转折点：
在“Steinhaus”（旋转器）模型中，总和中最大的跳跃来自于一种被称为“欧拉乘积”（一个巨大的项乘积）的特定数学结构。这就像是最大的波浪是由一种特定的风向模式引起的。

然而，在“Rademacher”（硬币抛掷）模型中，作者发现最大的跳跃来自于完全不同的来源：乘性混沌（Multiplicative Chaos）。

类比： 在旋转器模型中，波浪是由稳定的、可预测的风引起的。而在硬币抛掷模型中，波浪是由一场混沌的、湍流的暴风雨引起的——即随机性本身创造了最大的峰值。这里的“确定性”部分（可预测的数学）实际上更有效地抵消了事物，使得混沌的随机性在主导总和的大小。

“大质数”捷径

论文还研究了一个特定的数字子集：那些拥有非常大的质因数（大于总计数平方根）的数字。

发现：
当你将游戏限制在仅包含这些“大质数”的数字时，求和的表现要好得多。其极限显著下降到大约 $(\log \log x)^{1/4}$ 。

类比：
想象你正在尝试预测天气。如果你观察所有的天气模式，它是混沌的。但如果你只观察那些伴随有巨大飓风的日子，模式就会变得更加可预测且规模更小。“大质数”数字就像是一个过滤器，它移除了最混乱的噪声，揭示了一个更清晰、更小的极限。

为什么这很重要（根据论文所述）

作者将此与著名的黎曼假设联系起来，这是数学中最大的未解问题之一。黎曼假设与“莫比乌斯函数”（我们这个随机 $f(n)$ 的近亲）的行为密切相关。

现实检查： 作者暗示，虽然我们的随机硬币抛掷模型（ $f(n)$ ）是研究这些求和的一个很好的方法，但它可能无法完美预测真实的莫比乌斯函数的行为。随机模型显示，由于“混沌”的存在，这些求和可以变得非常大，这表明如果真实的莫比乌斯函数表现得类似，那么证明黎曼假设可能比我们想象的要困难。

总结所使用的“工具”

为了证明这些极限，作者并没有仅仅靠猜测。他使用了一个由高级概率技术组成的“工具箱”：

鞅（Martingales）： 一种追踪随机游走的方法，其中未来的情况仅取决于现在，而不取决于过去。他将求和视为一系列步骤，并可以预测其中的“方差”（即它会如何摆动）。
拆分问题： 他根据质因数的大小（小质数 vs 大质数）将庞大的求和拆分为较小的块，并分别进行分析。
欧拉乘积： 他将求和视为一个巨大的乘法问题，并使用复杂的微积分（积分）来衡量系统的“能量”。

核心结论

Christopher Atherfold 为这些随机数字求和的“荒野”绘制了一张精确的地图。他证明了虽然这些求和可能会四处游荡，但它们受到一个特定的、增长缓慢的极限的严格限制。他还发现，在硬币抛掷模型中，这种“狂野性”的来源与其它数学模型不同，这凸显了仅仅是抛掷硬币（+1/-1）这一简单的行为，就会创造出一种独特的数学混沌。

技术摘要：Rademacher 乘性函数加权和的几乎处处界限

问题陈述
本文研究了 Rademacher 乘性函数的加权偏和的几乎处处（almost sure）行为，其定义为：
$M_f(x) := \sum_{n \le x} \frac{f(n)}{\sqrt{n}}$
其中 $f(n)$ 是一个 Rademacher 乘性函数（在素数上是独立的 Rademacher 变量，通过乘性性质扩展到无平方因子整数，并在其他情况下为零）。该问题是理解 Möbius 函数 $\mu(n)$ 抵消性质的一个概率模型，这与黎曼假设密切相关。

本研究与“Steinhaus”情形（其中 $f(p)$ 在单位圆上服从均匀分布）形成对比。在 Steinhaus 情形中，Hardy 的前人工作已经确立了类似于迭代对数律（LIL）的界限。核心问题在于，Rademacher 情形是否表现出相似的波动大小，或者 Rademacher 欧拉乘积的确定性结构是否会导致不同的渐近行为。

方法论
其证明策略综合了 Caich（无加权 Rademacher 界限）、Hardy（加权 Steinhaus 界限）以及 Mastrostefano（大素因子限制）的技术。该方法论通过以下几个关键阶段进行：

简化为测试点： 遵循 Lau–Tenenbaum–Wu 和 Caich 的方法，将连续变量 $x$ 简化为稀疏序列 $x_i = [e^{i\gamma}]$ 。这使得可以使用第一波莱尔-坎泰利引理（Borel–Cantelli lemma），前提是测试点之间的增量是受控的。
素因子拆分： 根据整数 $n$ $n$ 的最大素因子 $P(n)$ $P (n)$ 的大小对和 $M_f(x_i)$ $M_{f} (x_{i})$ 进行分解。引入一系列截断值 $y_j$ $y_{j}$ ，将求和拆分为：
- 光滑数（ $P(n) \le y_0$ ）。
- 在范围 $y_{j-1} < P(n) \le y_j$ 内的求和。
  这种分解揭示了一种鞅差结构，从而可以应用 Doob 不等式和 Azuma–Hoeffding 界限。
欧拉乘积分析： 上界的分析核心在于分析 Rademacher 欧拉乘积：
$F_y(s) = \prod_{p \le y} \left(1 + \frac{f(p)}{p^s}\right)$
与 Steinhaus 情形不同，Rademacher 乘积缺乏平移不变性。本文利用 Harper 的“乘性混沌”（Multiplicative Chaos）结果和高斯随机游走逼近来限制这些乘积的矩。
处理确定性与随机项的贡献： Rademacher 情形中的一个关键区别在于，欧拉乘积的对数中存在一个确定性的负项（源于 $\log(1+f(p)/p^s)$ 的展开）。本文表明，对于 $s=1/2$ ，这个确定性项在主导着随机波动，这与 Steinhaus 情形中随机混沌作为主要驱动力的情形不同。
下界构造： 下界构造借鉴了 Hardy 处理 Steinhaus 函数的方法，但考虑了 Rademacher 乘积的特定结构。它利用欧拉乘积积分上的 Jensen 不等式，以分离出一个大小为 $\log \log x$ 的确定性贡献。

核心贡献与结果

定理 1（上界）： 对于任何 $\epsilon > 0$ ，几乎处处有：
$M_f(x) \ll (\log \log x)^{3/4 + \epsilon}$
该界限显著大于直接类比 Steinhaus 情形或迭代对数律时所预期的 $(\log \log x)^{1/4}$ 。作者将其归因于由于 Rademacher 欧拉乘积的特定行为，导致“乘性混沌”贡献变得占主导地位。
定理 2（受限上界）： 当将求和限制在具有单个大素因子（ $P(n) > \sqrt{x}$ ）的整数时，界限改进为：
$\sum_{\substack{n \le x \\ P(n) > \sqrt{x}}} \frac{f(n)}{\sqrt{n}} \ll (\log \log x)^{1/4 + \epsilon}$
这表明定理 1 中的较大界限源于具有多个素因子的整数之间的相互作用（具体而言，是在加权情况下分离光滑贡献的难度）。
定理 3（下界）： 存在任意大的 $x$ 使得：
$|M_f(x)| \gg (\log \log x)^{-1/2}$
证明过程识别了下界分析中一个在 Steinhaus 设置中不存在的确定性贡献。
推论 1（完全乘性情形）： 将结果应用于完全乘性 Rademacher 函数 $f^*(n)$ ，得到：
$\sum_{n \le x} \frac{f^*(n)}{\sqrt{n}} \ll \log x (\log \log x)^{3/4 + \epsilon}$
几乎处处成立。

意义与主张
本文声称，这是第一个证明 Rademader 模型在加权和的背景下提供了更多抵消（就某些阶数的较小矩而言，尽管此处上界更大）的 Rademacher 模型的研究结果。

其主要意义在于识别了乘性混沌贡献是 Rademacher 情形中大波动的支配因素，这与 Steinhaus 情形中由随机欧拉乘积本身驱动波动的机制形成对比。作者指出，定理 1 中的上界可能不是紧确的，并推测其真实数量级为 $(\log \log x)^{1/4 + \epsilon}$ ，与受限情形及 Steinhaus 情形相匹配。已证明的上界与推测的紧确界限之间的差距，归因于在加权设置下控制“光滑”部分（即不含大素因子的整数）的难度。

这项工作高度依赖于 Harper 关于低阶矩和乘性混沌的“黑箱”概率结果，并将其应用于 Rademacher 变量和加权和的特定约束中。本文并未提出新的实验应用，而是提供了一种对随机乘性函数更精细的理论理解，可能为这类求和的未来定量中心极限定理提供参考。