🔢 mathematics

The exceptional set of Goldbach problem and Linnik's constant

本文通过一种统一的方法同时证明了：在不超过 $X$ 的偶数中，不能表示为两个素数之和的个数被界定为 $O(X^{7/10})$ ，且模 $q$ 的算术级数中的最小素数被界定为 $O(q^5)$ 。

原作者： Genheng Zhao

发布于 2026-01-26

📖 1 分钟阅读🧠 深度阅读

原作者： Genheng Zhao

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

核心图景：缺失的拼图碎片

想象一个被称为**哥德巴赫猜想（Goldbach Conjecture）**的巨大拼图。这个拼图的规则很简单：“任何大于 2 的偶数（比如 4, 6, 100, 1,000,000），你都应该能够通过恰好两个质数相加来构建它。”（质数是像 2, 3, 5, 7, 11 这样不能被其他数整除的数字）。

数学家们试图解决这个拼图已经有几个世纪了。他们非常确定这是正确的，但目前还无法证明对每一个数字都成立。

因此，与其尝试证明对所有人有效，不如问一个问题：“有多少人在违反规则？”
在这篇论文中，作者正在统计这些“违规者”。这些违规者是指那些无法由两个质数相加得到的偶数。我们把这一组数称为例外集（Exceptional Set）（即“坏苹果”）。

这篇论文的目标是证明这个“坏苹果”群体实际上非常小。具体来说，作者证明了如果你观察所有直到巨大数字 $X$ 的偶数，那么“坏苹果”的数量大约小于 $X^{0.7}$ 。（作为对比，如果违规者和数字本身一样常见，计数将是 $X^1$ ；如果它们像平方数一样稀少，计数将是 $X^{0.5}$ 。这个结果将坏苹果置于两者之间，但更接近“稀少”的一侧）。

工具： “质数侦探” (L-函数)

如何统计这些缺失的数字？你不能一个一个去检查；因为数量太多了。相反，数学家们使用了一种复杂的工具，叫做 L-函数 (L-functions)。

你可以把 L-函数想象成一个针对质数的超灵敏金属探测器。

当金属探测器完美工作时，每遇到一个质数，它都会大声鸣叫。
然而，探测器有时会出现“故障”。它可能会漏掉一个质数，或者给出错误信号。在数学术语中，这些故障被称为零点 (Zeroes)。

作者的任务就是分析这些故障。如果特定区域内的故障过多，意味着存在许多“坏苹果”（哥德巴赫规则的例外）。如果故障很稀疏，那么“坏苹果”也就很少。

策略：捕捉故障

这篇论文本质上是一场针对这些数学故障的高级“打地鼠”游戏。作者使用了一种由数学家 Pintz 开发的方法的改进版本。

这里有一个类比：
想象故障（零点）是花园里冒出来的鼹鼠。

旧方法： 先前的数学家可以证明鼹鼠相对稀少，但他们必须在花园里留出一小块空间，让鼹鼠可能躲藏。
新方法： 赵（Zhao）改进了“打击”（数学计算）的方式。他收紧了关于鼹鼠可以躲藏位置的规则。他证明了即使有一只鼹鼠冒出来，它也不可能离花园中心太近，否则就会导致矛盾。

通过挤压这些“故障”被允许存在的空间，作者迫使“坏苹果”（哥德巴赫例外的数量）显著缩小。

第二项成就：“最快的质数” (林尼克常数)

这篇论文还解决了一个相关的课题，即 林尼克常数 (Linnik's Constant)。

想象你有一排编号为 1, 2, 3... 直到 $q$ 的信箱。你想找到第一个装有“质数信件”的信箱。

问题： 你需要沿着这排信箱走多远，才能保证找到一个质数？
常数 ( $L$ )： 数学家们有一个数字 $L$ ，它表示：“你肯定会在信箱编号 $q^L$ 之前找到一个质数。”

长期以来，已知的最佳 $L$ 值是 5.2。这意味着你可能需要检查多达 $q^{5.2}$ 个信箱。

突破： 利用相同的改进版“金属探测器”逻辑，作者证明你只需要检查到 $q^5$ 。
隐喻： 这就像缩小寻找丢失钥匙的搜索范围。以前，你可能需要搜索整个街区（ $q^{5.2}$ ）；现在，作者证明你只需要搜索一个街区广场（ $q^5$ ）。虽然这只是一个微小的数值变化，但在质数的世界里，这是一个巨大的飞跃。

结果总结

哥德巴赫例外： 作者证明了不符合哥德巴赫规则的偶数数量非常小（具体而言，受限于 $X^{0.7}$ ）。这比之前的已知界限更紧密、更优。
林尼克常数： 作者改进了寻找序列中第一个质数的保证，将指数从 5.2 降低到了 5。

为什么这很重要（不夸大其词）

这篇论文并不声称解决了哥德巴赫猜想（我们仍然不知道是否每一个偶数都符合规则）。它也不直接声称对密码学或计算机安全有所帮助。

相反，这是一次纯数学的胜利。它表明我们用于探测质数的“金属探测器”变得更加锋利了。通过收紧数学规则，作者减少了例外情况的“回旋余地”，并提升了我们对质数分布的理解。这就像测量员在精细化地图：领土本身没有改变，但我们对它的测量现在更加精确了。

技术摘要：关于哥德巴赫问题例外集与林尼克常数的卓越研究

问题陈述
本文探讨了解析数论中的两个基本问题：哥德巴赫猜想的例外集的大小以及林尼克常数（Linnik's constant）的值。

哥德巴赫例外集： 令 $E(X)$ 表示不能表示为两个奇素数之和的偶数 $m \le X$ 的数量。目标是建立一个强上界。
林尼克常数： 令 $P(q)$ 表示算术级数 $\{a, a+q, a+2q, \dots\}$ （其中 $(a,q)=1$ ）中的最小素数。目标是确定最小的可容许常数 $L$ ，使得 $P(q) = O(q^L)$ 。

在历史上，对于 $E(X)$ 的界限经历了从基于广义黎曼假设的条件结果，到涉及西格尔零点（Siegel zero）的无条件界的演变。Montgomery 和 Vaughan 的突破性工作确立了 $E(X) = O(X^{1-\delta})$ ，其中 $\delta > 0$ ，这一结果与利用林尼克方法估计 $P(q) = O(q^L)$ 的方法有着深刻的联系。在此之前，已知的最佳可容许值分别为 $\delta = 0.28$ （Pintz）和 $L = 5.2$ （Xylouris）。

方法论
本文采用了对 Pintz 方法的改进，该方法依赖于狄利克雷 $L$ -函数在 $\sigma = 1$ 线附近的零点分布。论证的核心在于分析位于临界区域 $\sigma \in [1 - H(\log q)^{-1}, 1]$ 且 $|t| \le H$ 内的零点 $\varrho = \beta + i\gamma$ 。

该方法通过以下技术步骤进行：

归约为零和问题： 遵循 Pintz 的归约过程，问题被简化为估计单个模数 $q$ 下 $L$ -函数零点的和。本文定义了一个零点多重集 $Z(\chi, H)$ ，并寻求估计这些零点的平方加权和。
加权和与拉普拉斯变换： 作者利用了源自 Heath-Brown 研究的特定测试函数，具体涉及函数 $f_1(t)$ 及其拉普拉斯变换 $F_1(z)$ ，以及相关的函数 $F_2(z)$ 。这些函数被用于构建涉及零点和实部的不等式。
零密度估计： 本文采用了广义零密度估计（归功于 Pintz 对 Heath-Brown 工作的推广），该估计统计的是特定区域内的所有零点，而非仅仅是那些至少有一个零点在该区域内的 $L$ -函数的零点。这避免了使用早期方法中次优的函数。
分类讨论： 证明主定理的过程根据最小实部 $\lambda_{1,1} = \min \text{Re}(1-\varrho)$ 的大小分为若干种情况。作者使用引理 2.4 根据 $\lambda_{1,1}$ 的取值来确定特定区域内零点数量 $N(\Lambda)$ 的界限。
参数优化： 作者引入参数 $x, y, z, \Lambda, \lambda_0$ 来优化形式为 $\sum e^{-k \max\{\lambda_j, \Lambda\}}$ 的加权和的界限。通过仔细选择这些参数并利用 Deuring-Heilbronn 现象（该现象限制了异常零点的数量），作者推导出了关于零点指数和的更紧致的不等式。

主要贡献与结果
本文的主要贡献是通过对 Pintz 方法的精细化分析，改进了哥德巴赫例外集和林尼克常数的对应可容许常数。

定理 1.1（哥德巴赫例外集）： 本文证明了 $E(X) = O(X^{7/10})$ 。这对应于界限 $E(X) = O(X^{1-\delta})$ 中 $\delta = 0.3$ 的可容许值。这改进了此前最佳的 $\delta = 0.28$ 的结果。
- 证明依赖于建立定理 1.2，该定理表明对于满足特定条件的特征集，零点的平方加权和之和严格小于 1（具体为 $\le 1 - c_1$ ）。
- 改进是通过将关键不等式中的指数从 $25/7$ （Pintz 使用）降低到 $10/3$ 来实现的。这种降低归因于对类型为 $\sum e^{-10/3 \max\{\lambda, \Lambda\}}$ 的和的精细估计，以及对差值项更精确的估计。
定理 1.4（林尼克常数）： 本文证明了 $L = 5$ 是林尼克问题的一个可容许常数，改进了此前 $L = 5.2$ 的纪录。
- 该结果由定理 1.3 导出，该定理建立了关于零点指数和的界限（ $\sum e^{-5\lambda} \le 1 - c_1$ ）。
- 从 $L=5.2$ 到 $L=5$ 的改进明确归功于使用 Pintz 的广义零密度估计，该估计统计了区域内的所有零点，而非仅统计在该区域有零点的 $L$ -函数的数量。这使得能够避免使用 Heath-Brown 原创方法中较不优化的函数。

意义
本文声称其意义在于“对 Pintz 方法的精细化改进”。通过优化用于估计零点和的参数及特定函数，作者揭示了 Pintz 框架在进一步推高这些常数边界方面的潜力。 $\delta$ 从 $0.28 $提升至$ 0.3 $，以及$ L $从$ 5.2 $提升至$ 5$，代表了对素数在算术级数中分布以及哥德巴赫猜想例外情况的定量收紧。作者指出，由于使用了依赖于排除西格尔零点的方法，这些界限中的隐含常数是无效的（ineffective）。