🔢 mathematics

Smoothed Shifted Convolutions of Generalised Divisor Functions

本文为广义约数函数 $d_k(n)$ 与约数函数 $d(n)$ 的平滑移位卷积建立了一个渐近公式，其中包含一个与 $k$ 无关的幂次节省误差项，且对于足够大的 $k$ ，该项改进了 Topacogullari 在 2018 年的研究结果。

原作者： Cheuk Fung Lau

发布于 2026-07-10

📖 1 分钟阅读🧠 深度阅读

原作者： Cheuk Fung Lau

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

想象一下，数轴是一个繁忙、宏大的城市，每一栋建筑都是一个数字。有些建筑很特别：“素数”建筑，它们无法被拆解成更小的模块。为了研究这些素数建筑是如何排列的，数学家们使用了一种特殊的工具——“冯·芒戈尔特函数”（von Mangoldt function），它就像一束高功率的聚光灯，只照亮素数建筑。

但有时，我们想了解的是“约数”建筑。每个数字都有一定的构建方式。例如，数字 6 可以通过 $1 \times 6$ 、 $2 \times 3$ 、 $3 \times 2$ 或 $6 \times 1$ 来构建，共有 4 种方式。约数函数 $d(n)$ 统计了这些方式。而“广义约数函数” $d_k(n)$ 是一个更复杂的版本，它统计使用恰好 $k$ 个模块来构建一个数字的方法数。

大谜题：移位卷积

这篇论文探讨了一个特定且棘手的谜题：当我们观察两个距离很近（间隔为 $h$ ）的建筑 $n$ 和 $n+h$ 时，计算这两个建筑都能被构建的方式之和会发生什么？

数学家们称之为“移位卷积”（shifted convolution）。这就像是在问：“如果我随机挑选一栋房子，然后看它隔着 $h$ 扇门处的另一栋房子，这两栋房子同时拥有非常特定的一种构建方式的可能性有多大？”

长期以来，数学家们可以解决这种只有少量模块（ $k=2$ 或 $k=3$ ）的情况下的谜题。但当模块数量变得很大（ $k \ge 4$ ）时，数学计算变得极其复杂。以往尝试解决大 $k$ 值问题的尝试都会产生一种“模糊性”（误差项），并且随着 $k$ 的增加，这种模糊性会变得越来越严重。这就像是试图在暴风雨中听清一声低语；暴风雨越大（ $k$ 越大），就越难听到那声低语。

新发现：更清晰的信号

刘彻峰（Joshua Lau）发现了一种聆听那声低语的新方法。他证明了一个新的公式，可以预测这两对建筑被构建的方式的数量，但有一个关键的改进：其预测中的“模糊性”或误差并不会随着 $k$ 的增大而恶化。

把这想象成一台收音机。以前的收音机在调大音量（增加 $k$ ）时，静电噪音会随之变大。而刘彻峰造出了一台新的收音机，无论你如何调高音量，静电噪音都保持在可控水平。这意味着，对于较大的 $k$ 值，他的公式比之前的最优结果（特别是改进了 Topacogullari 在 2018 年的研究成果）表现得要好得多。

他们是如何做到的：侦探工作

为了解决这个问题，刘彻峰并没有仅仅靠猜测。他使用了一种涉及“平滑”（smoothing）的巧妙策略。他没有以一种僵硬、块状的方式去计数每一个建筑，而是使用了一个“平滑”函数（一条柔和的曲线）来给这些建筑加权。这就像是通过一个略微模糊的镜头来看这座城市，通过稍微模糊边缘来让宏观模式凸显出来，而不是纠结于每一块砖头的微小细节。

他将问题分解成更小的部分，观察这些建筑是如何分组的。他使用了一个来自 2024 年 Grimmelt 和 Merikoski 论文的强大新工具，这个工具就像一把解锁数论中复杂模式的万能钥匙。通过将这把钥匙与一种称为“柯西-施瓦茨”（Cauchy-Schwarz）的技术（一种通过比较两份数字列表来寻找它们之间关系的方法）相结合，他能够将这些碎片拼接在一起，而不会让误差项爆炸。

他们证明了什么（以及没能证明什么）

这篇论文证明了（这是一个数学上的确定性，而非猜测）：对于任何足够大的 $x$ ，以及一个不算太大的偏移量 $h$ （具体而言， $|h|$ 必须小于大约 $x^{25/28}$ ），这两对数字的构建方式遵循一种可预测的模式。

公式看起来像这样：
$\text{计数} \approx \text{主要模式} + \text{微小误差}$

“主要模式”是一个取决于 $k$ 、 $h$ 和平滑函数的多项式。“微小误差”则是之前存在问题的部分。刘老师证明了这个误差大约与 $x^{1 - \frac{7}{128}\eta}$ 成正比（其中 $\eta$ 是一个与 $h$ 的大小相关的微小数值）。

关键限制

值得注意的是，这篇论文并没有做的事情。作者明确指出，目前对于“锐利截断”（sharp cutoff，即不带平滑模糊地进行计数）问题的“固定幂次节省”（fixed power saving）仍然是难以企及的。换句话说，虽然他们可以在使用“模糊透镜”（平滑版本）的情况下解决这个谜题，但如果尝试用完美的、锐利的焦点去观察这些建筑，他们还无法证明同样的结果。该论文并不声称已经解决了该问题中最难的版本，而只是提供了一个稍软、更易处理的版本，该版本对于大 $k$ 值仍取得了巨大的进步。

底线

这篇论文是一个坚实的数学证明，表明我们现在可以预测这些复杂约数对在模块数量变大时的行为，且其精度不会随着数字规模的增大而退化。这是理解素数及其邻居之间隐藏节奏的重要一步，表明即使在混乱的数字城市中，也存在着无论噪音如何增大都能保持清晰的规律。

技术摘要：广义约数函数的平滑移位卷积

问题陈述
本文研究了涉及广义约数函数 $d_k(n)$ 与标准约数函数 $d(n)$ 的平滑移位卷积和的渐近评估。具体而言，作者研究了如下形式的求和：
$\sum_{n} w\left(\frac{n}{x}\right) d_k(n) d(n+h)$
其中 $w$ 是一个光滑且紧支撑的权重函数， $k \ge 4$ 为整数， $h$ 是一个非零整数位移。其目标是推导出一个包含主项和误差项的渐近公式，其中误差项表现出“幂次节省”（即误差为 $O(x^{1-\delta})$ ，对于某个 $\delta > 0$ ）。

先前的研究（特别是 Topacogullari (2018)）提供了此类公式，但其误差指数会随着 $k$ 的增加而恶化。本研究解决的核心挑战在于获得一个误差项的幂次节省指数对 $k$ 是一致的（uniform in $k$ ），从而在 $k$ 足够大时改进现有的界限。

方法论
证明策略是对广义约数函数 $d_k(n)$ 进行其组成因子 $a_1 \cdots a_k = n$ 的分解。该方法论通过以下几个关键阶段进行：

分解与二进分割（Dyadic Splitting）： 根据变量 $a_i$ 的二进大小对求和进行分解。作者利用 Cauchy-Schwarz 不等式将问题简化为估计如下形式的求和：
$\sum_{n} w_1\left(\frac{r_1 n}{x}\right) w_2\left(\frac{r_2 n}{x}\right) d(r_1 n + h) d(r_2 n + h)$
其中 $r_1, r_2$ 是无平方因子整数。
谱方法与行列式方程： 本文并未依赖于经典的 Kloosterman 和求和（如前人工作中所使用的），而是利用了 Grimmelt 和 Merikoski (2024) 最近的一项结果。这涉及将约数和重写为计数满足行列式方程 $ad - bc = \text{const}$ 的解，并由周期性权重进行扭转。该问题被置于 $\Gamma \backslash SL_2(\mathbb{Z})$ 上自守形式的语境下进行讨论，其中 $\Gamma$ 是一个特定的共模子群。
处理算术障碍： 技术工作的显著部分（第 5 节）致力于放宽谱输入所需的互素条件。作者开发了一种使用容斥原理的迭代程序，以处理位移 $h$ 与系数 $r_1, r_2$ 具有公因数的情况。这使得即使在 $\gcd(h, r_1 r_2) \neq 1$ 时也能应用谱定理。
通过划分进行分类讨论： 为了实现对 $k$ 的一致性，作者证明了一个组合引理（引理 5.2），该引理将变量 $A_1, \dots, A_k$ 的可能大小划分为三种可容许的情况。对于每种情况，都应用了从谱分析中导出的特定误差界。通过仔细平衡这些界，作者确保了所得的误差指数不依赖于 $k$ 。

主要贡献与结果

定理 1.2（一般渐近公式）： 本文建立了平滑移位卷积的一般渐近公式。其误差项由下式给出：
$O_{k,w,\varepsilon,\delta}\left( x^{1-\delta + 2\delta\theta + \varepsilon} \left(1 + \frac{|h|^{1/4}}{x^{1/4 - \delta/2}}\right) + x^{1-\delta + \theta/2 + \varepsilon} \left(1 + \frac{|h|^{\theta/2}}{x^{\theta/3 + 2\delta/3\theta}}\right) \right)$
其中 $\theta$ 是向 Ramanujan-Selberg 猜想逼近的界（目前 $\theta = 7/64$ ）。至关重要的是，误差项的幂次节省指数与 $k$ 无关。
定理 1.1（主要结果）： 通过优化定理 1.2 中的参数，作者证明了对于 $k \ge 4$ 且 $|h| \ll x^{25/28 - \eta}$ ，该求和满足：
$\sum_{n} w\left(\frac{n}{x}\right) d_k(n) d(n+h) = x P_{k,h,w}(\log x) + O_{k,w,\varepsilon}\left( x^{1 - \frac{7}{128}\eta + \varepsilon} + x^{\frac{127}{128} + \varepsilon} \right)$
这里 $P_{k,h,w}$ 是一个 $k$ 次多项式。
与前人工作的比较： 本文表明，对于足够大的 $k$ ，误差指数 $127/128 \approx 0.992$ （或取决于 $\eta$ 的项）优于 Topacogullari (2018) 所得的指数，后者会随着 $k$ 的增加而恶化。具体而言，本文指出 $h$ 的有效范围延伸至 $x^{25/28}$ ，优于 Topacogullari 平滑结果中的 $x^{15/19}$ 范围。

意义与主张
本文声称其主要贡献在于误差项对 $k$ 的一致性。虽然对于尖锐截断问题（sharp cutoff problem）的固定幂次节省结果仍难以实现（因为是否已知 $\sum_{n \le x} d_k(n)$ 存在一致渐近式尚无定论），但这项工作成功地将平滑移位卷积结果扩展到了一个误差项不会随着广义约数函数变得更加复杂（即 $k \to \infty$ ）而退化的范畴。

作者明确指出，改进依赖于两种方法论上的转变：

使用关于行列式方程的 Grimmelt 和 Merikoski (2024) 的谱方法，取代传统的 Kloosterman 和估计。
利用通过 Cauchy-Schwarz 进行更高效的变量“粘合”（gluing），这允许进行特定的情况划分，从而产生一致的界。

这些结果是作为一般谱估计的推论呈现的，为高阶推广下的移位卷积和中约数函数的分布提供了更精细的理解。

类似论文