🔢 mathematics

Note on shifted primes with large prime factors

本文通过在 $e^{-\frac{2}{7}} < c < 1$ 的范围内建立一个更紧的上限 $-\frac{7}{2}\log c$ ，改进了 Ding 最近关于具有大素因子 $P^+(p-1) \ge p^c$ 的移位素数 $p \le x$ 之比例的定量界限。

原作者： Yuchen Ding, Zhiwei Wang

发布于 2026-02-06

📖 1 分钟阅读🧠 深度阅读

CC BY 4.0

原作者： Yuchen Ding, Zhiwei Wang

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

想象一下你有一个巨大的数字袋，里面装满了质数（也就是素数，比如 2, 3, 5, 7, 11，它们只能被 1 和它们本身整除）。这些是数学的基石。

现在，任取一个质数，比如 $p$ 。如果你从它那里减去 1，你会得到一个新数字 ( $p-1$ )。这个新数字通常是一个“合数”，意味着它是通过较小的质因数相乘构成的。例如，如果 $p=13$ ，那么 $p-1=12$ ，它是通过 $2 \times 2 \times 3$ 构成的。这里的“最大质因数”是 3。

Yuchen Ding 和 Zhiwei Wang 的论文是一个关于寻找那些“最大碎片”异常巨大的质数的侦探故事。

核心问题：碎片能有多大？

作者们提出了一个具体的问题：如果我们观察所有直到一个非常大的数 $x$ 的质数，其中有多少个质数的“最大碎片”（我们称之为 $P(p-1)$ ）至少占其自身的一个特定比例？

假设我们选取一个分数 $c$ （比如 0.9，即 90%）。我们想知道：在所有的质数 $p$ 中，有多少个质数的最大碎片 $P(p-1)$ 至少是 $p$ 的 90%？

数学家们一直试图弄清楚这些特殊质数的“密度”。换句话说，如果你从一个巨大的列表中随机抽取一个质数，它拥有这个巨大碎片的概率是多少？

前人的侦探工作

旧地图 (1935)： 一位著名的数学家 Erdős 证明了，随着你的比例 $c$ 越来越接近 1（意味着你要求这个碎片几乎就是整个数字），这类质数的数量会趋近于零。他证明了它们变得极其罕见。
近期的地图 (2023)： 一位研究人员 Ding 改进了这一点。他给出了一个公式来估算当 $c$ 非常接近 1（在 0.88 到 1 之间）时，这些质数到底有多稀有。他找到了一个上界（天花板），即这些质数可能存在的数量上限。

新的发现：更清晰的透镜

Ding 和 Wang 的论文旨在磨利这枚透镜。他们不仅观察了相同的区域，还找到了一种方法来观察更广泛的范围，并获得一个更紧凑、更准确的估计。

以下是他们所做的工作，使用了简单的类比：

1. “筛子”类比
想象你有一个装满沙子的桶（所有的数字），你想从中找到金块（我们正在寻找的特定质数）。你使用一个筛子（网格屏幕）来过滤掉泥土。

旧筛子： 以前的方法使用的筛子虽然不错，但它有一些“孔洞”，会让泥土溜过去，或者不够精细，无法捕捉到最小的颗粒。
新筛子： 作者们使用了一种更高级的工具，叫做线性筛法 (Linear Sieve)。可以把它想象成一个高科技的、可调节的精密网格，它比旧的方形网格更能贴合金块的形状。它能更高效地过滤掉“噪音”（不符合标准的数字）。

2. “分布”问题
当你计数这些特殊的质数时，你必须处理“误差项”——因为质数并不是完美均匀分布的，这会导致计数出现偏差。

旧方法： 以前的数学家只能在一定的距离内（我们可以称之为“中点”）信任他们的计数。超过这个距离，误差就会变得大到无法忽略。
新方法： 作者们使用了一个强大的新定理（与 Bombieri, Friedlander, 和 Iwaniec 的工作相关），这使得他们能够将计数信任度延伸到更远的地方——直到“四分之七”的位置。这就像是能够透过一扇原本模糊的窗户看清远方，而以前这扇窗户会被浓雾遮挡。

结果：一个更紧凑的天花板

通过结合更好的筛法和更清晰的视野，他们改进了这些特殊质数可能存在的“天花板”。

范围： 他们证明了他们这个新的、更紧凑的公式适用于更广泛的分数 $c$ 范围。具体来说，它适用于任何在0.75 到 1之间的 $c$ 。（之前的工作仅适用于 0.88 到 1 之间的 $c$ ）。
精确度： 对于该范围内的任何数字，他们的新公式都会给出一个更低（更好）的上界。它表明：“这些特殊质数的存在数量肯定比我们之前认为的要少。”

这为什么重要？（根据论文所述）

该论文并不声称这会立即修复计算机病毒或治愈疾病。相反，它强调了为什么这项数学研究在纯理论领域很有趣：

孪生素数的关系： 寻找 $p-1$ 拥有巨大因子的质数，在数学上与孪生素数猜想（即认为存在无穷多对相差为 2 的质数对，如 3 和 5，或 11 和 13）有着深刻的联系。如果你能更好地理解这些“偏移后的质数”，你就离解决那个著名的谜题更近了一步。
费马大定理： 这些大质因数与费马大定理的第一种情况（一个在 1990 年代被解决的著名难题）之间有着令人惊讶且深刻的联系。
密码学： 论文提到了与他们研究的对象相反的情况（即质数因子较小的情况）在密码学（安全代码）中的应用。虽然他们研究的是“大因子”这一侧，但理解质因数的完整图景有助于安全专家了解哪些数字是安全的，哪些是脆弱的。

一句话总结

Ding 和 Wang 构建了一个更好的数学“网”和一个更清晰的“望远镜”，以证明具有巨大“最大碎片”的质数数量甚至比我们之前认为的更加稀少且受限，特别是在更广泛的尺寸范围内。

技术摘要：关于具有大素因子的移位素数的笔记

问题陈述
本文研究了移位素数 $p$ 的分布情况，其中 $p-1$ 的最大素因子（记作 $P(p-1)$ ）超过特定阈值 $x^c$ 。具体而言，作者研究了量 $T_c(x)$ ，其定义为满足 $P(p-1) \ge x^c$ 的素数 $p \le x$ 的计数，其中 $0 < c < 1$ 。主要目标是建立比值 $T_c(x)/\pi(x)$ 在 $x \to \infty$ 时非平凡且无条件的上界，特别是对于接近 1 的 $c$ 值。

背景与动机
研究 $P(p-1)$ 在数论中具有重要意义，原因如下：它与孪生素数猜想（通过条件 $P(p+2) > p$ ）以及费马最后定理的第一种情形相关。基于 Elliott–Halberstam 猜想的有条件结果表明， $T_c(x)/\pi(x) \to 1 - \rho(1/c)$ （其中 $\rho$ 是 Dickman 函数），而无条件结果则更具挑战性。

前人的工作中，Erdős (1935) 已经确立了当 $c \to 1$ 时 $\limsup T_c(x)/\pi(x) \to 0$ 。最近，Ding (2023) 提供了该结果的一个定量形式，证明了对于 $8/9 < c < 1$ ， $\limsup T_c(x)/\pi(x) \le 8(c^{-1}-1)$ 。作者指出，该界限依赖于应用于多项式序列的二维筛法以及经典的 Bombieri-Vinogradov 定理（分布水平为 $x^{1/2-\varepsilon}$ ）。

方法论
作者通过引入两个关键的方法论改进，对 Ding 的结果进行了提升：

素数变量上的线性筛法： 作者没有将二维筛法应用于整数变量的多项式，而是直接在素数变量序列上应用线性筛法。他们定义了一个序列 $\mathcal{A} = \{ \ell p + 1 : \ell \le x^{1-c}, \ell p \le x, 2|\ell \}$ ，并对该集合进行筛去素数的操作。
增强的分布水平： 为了处理线性筛法中产生的误差项，作者利用了 Bombieri-Friedlander-Iwaniec 型定理。至关重要的是，他们应用的分布水平为 $x^{4/7-\varepsilon}$ ，这优于此前无条件证明中所使用的经典 $x^{1/2-\varepsilon}$ 。这使得在对模数求和时，能够更精确地估计误差项。

证明依赖于：

Iwaniec 的线性筛权重： 使用上界和下界筛权重（ $\lambda_d^\pm$ ）来界定被筛集合。
Bombieri-Friedlander-Iwaniec 定理： 应用带有良分解权重的卷积泛化，以在改进的分布水平下估计涉及算术级数中素数的和。
乘性函数的渐近分析： 利用 La Bretèche、Pomerance 和 Tenenbaum 关于由筛权重导出的特定乘性函数的偏和的结果。

主要结果
主定理确立了如下无条件上界：

定理 1.1： 对于任何 $e^{-2/7} < c < 1$ ，
$\limsup_{x \to \infty} \frac{T_c(x)}{\pi(x)} \le -\frac{7}{2} \log c.$

该结果将有效范围从 Ding 结果中的 $8/9 \approx 0.888$ 扩展到了 $e^{-2/7} \approx 0.751$ 。此外，在重叠区间 $8/9 < c < 1$ 内，新的界限 $-\frac{7}{2} \log c$ 严格小于 Ding 的界限 $8(c^{-1}-1)$ ，从而提供了更紧凑的约束。

推论与意义
定理 1.1 的一个直接结果是推论 1.1，它指出对于任何 $c > e^{-1/7}$ （约等于 $0.867$），
$\limsup_{x \to \infty} \frac{T_c(x)}{\pi(x)} < \frac{1}{2}.$
这改进了以往关于密度降至 $1/2$ 以下时的阈值的无条件结果（例如 Ding 的 $c \approx 0.993$ ，以及由 Brun-Titchmarsh 不等式中的显式常数导出的更早的 $c \approx 0.993375$ ）。

重要性
本文声称其重要性在于，在更广泛的 $c$ 范围内为 $T_c(x)$ 提供了非平凡的上界，并且比以往已知的无条件结果具有更尖锐的常数。作者指出，虽然在 Elliott–Halberstam 猜想下，有条件的渐近密度预期为 $-\log c$ ，但其无条件界限是其 $3.5 $倍（即$ -\frac{7}{2} \log c$）。这项工作表明，通过将线性筛法与具有更高分布水平的 Bombieri-Friedlander-Iwaniec 定理相结合，可以在不依赖未证明猜想的情况下，有效地优化对移位素数中大素因子分布的估计。