🔢 mathematics

A Halász-type asymptotic formula for logarithmic means and its consequences

本文建立了一个关于有界乘性函数对数平均值的哈尔什型渐近公式，并据此显著改进了 Granville 和 Soundararajan 关于完全乘性函数对数和下界的旧结果，同时解决了关于随机乘性函数负值概率的猜想并给出了小值情形的逆定理。

原作者： Oleksiy Klurman, Alexander P. Mangerel

发布于 2026-04-09

📖 1 分钟阅读🧠 深度阅读

原作者： Oleksiy Klurman, Alexander P. Mangerel

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

这篇论文就像是在数学的迷宫里找到了一把更精准的钥匙，用来解开一个困扰了数学家几十年的谜题。

为了让你轻松理解，我们把这篇论文的核心内容拆解成几个有趣的故事：

1. 背景：我们在数什么？（“数数的游戏”）

想象你有一串无限长的数字序列，每个数字都有一个“性格”（正数、负数或零）。

主角：一个叫做 $f(n)$ 的“多面手”函数。它有一个很酷的特性：如果你知道两个数的性格，就能算出它们乘积的性格（这叫乘性函数）。
任务：数学家们想把这些数字加起来，看看总和是正还是负，是大还是小。
- 旧方法（Cesàro 平均）：就像直接数数， $1+2+3+...+x$ 。这很难，因为数字太多，而且正负抵消，总和可能忽大忽小，很难预测。
- 新方法（对数平均）：这篇论文研究的是另一种加法方式，叫对数平均（Logarithmic Mean）。
  - 比喻：想象你在给这些数字“称重”。小的数字（比如 1, 2, 3）很重，大的数字（比如 1000, 1001）很轻。我们给每个数字除以它的大小（ $n$ ），然后再加起来。
  - 为什么这么做？ 这种“加权”的方法能过滤掉很多噪音，让总和的规律更清晰。

2. 核心发现：一把神奇的“尺子”

以前的数学家（如 Halász）虽然知道怎么给这个总和设定一个“上限”（比如：总和不会超过 100），但不知道它具体是多少，或者它会不会突然变成负数。

这篇论文做了什么？
作者 Klurman 和 Mangerel 发明了一个极其精准的公式（渐近公式）。

比喻：以前我们只知道“这个人的体重在 50 到 100 公斤之间”。现在，他们不仅能告诉你“他大概 75 公斤”，还能精确到“他其实是 $75.3$ 公斤，误差只有 0.1"。
关键技巧：他们发现，要算出这个“对数总和”，不能只看当前的数字，还得看一个稍微大一点点的数字（公式里有个神奇的常数 $w_0 \approx 1.78$ $w_{0} \approx 1.78$ ）。
- 比喻：就像你要预测明天的天气，不能只看今天的云，还得结合明天上午的卫星云图。这个公式巧妙地利用了“未来的信息”来修正“现在的计算”，从而得到了惊人的精度。

3. 三大应用：这把尺子能解决什么大问题？

有了这把精准的尺子，作者解决了三个老难题：

应用一：负数能有多“负”？（Granville 和 Soundararajan 的问题）

问题：如果这些数字的性格是随机的（在 -1 和 1 之间），它们的总和会不会突然变得非常非常负（比如像深渊一样）？
旧结论：20 年前，大家只知道它不会负得太离谱，但界限很宽。
新突破：作者证明，这个负值有一个非常严格的底线。
- 比喻：以前大家说“这个潜水员最多能潜到 100 米深”。现在作者说：“不，根据物理定律，他最多只能潜到 50 米，再深就上不来了。”
- 结果：他们把这个底线从“比较深”提升到了“非常浅”，并且发现如果这些数字不刻意模仿一个叫“刘维尔函数”（Liouville function，一种专门捣乱的数字）的家伙，那么负值甚至会更小。

应用二：随机世界的“运气”（随机 Turán 问题）

问题：如果我们完全随机地给每个数字分配性格（像抛硬币，正面 +1，反面 -1），那么总和变成负数的概率有多大？
旧结论：以前只知道概率很小，但不知道有多小。
新突破：作者证明，这个概率小得惊人，是指数级的微小（比如 $e^{-x}$ $e^{- x}$ ）。
- 比喻：如果你抛硬币抛了 100 万次，结果全是反面（或者总和为负），这在以前被认为虽然难但可能发生。现在作者说：“这几乎是不可能的，就像你在一秒钟内被雷劈中 100 次一样罕见。”
- 意义：这证实了一个猜想，说明在随机世界里，正负平衡得非常好，很难出现一边倒的极端情况。

应用三：反推“性格”（逆定理）

问题：如果我们发现某个数字序列的总和非常非常小（接近 0），能不能反推出这些数字的性格是什么样子的？
新突破：作者证明，如果总和很小，那么这个序列一定在“假装”成那个捣乱的“刘维尔函数”。
- 比喻：如果你发现一个人的行为举止非常像“鬼魂”（总和接近 0），那么他大概率就是“鬼魂”（或者在刻意模仿鬼魂）。
- 意义：这就像侦探破案，通过结果（总和）反推了罪犯（数字性格）的作案手法。

4. 总结：为什么这很重要？

这篇论文就像是在数学的“天气预报”领域取得了一次飞跃。

以前：我们只能模糊地预测“明天可能会下雨或不下雨”。
现在：我们可以精确地说“明天下午 3 点会有 5 毫米的降雨，误差在 0.1 毫米以内”。

这种精度的提升，不仅让数学家们能更准确地理解数字世界的规律，还解决了一些困扰了大家 20 年的老问题。它告诉我们，即使在看似混乱的数字海洋中，也隐藏着极其严格和优美的秩序。

一句话总结：作者发明了一把超级精准的“数学尺子”，不仅测出了数字总和的精确位置，还顺便揭开了几个关于随机性和数字性格的百年谜题。

这是一份关于 Oleksiy Klurman 和 Alexander P. Mangerel 的论文《对数平均的 Halász 型渐近公式及其推论》（A Halász-Type Asymptotic Formula for Logarithmic Means and Its Consequences）的详细技术总结。

1. 研究背景与问题 (Problem)

核心问题：
在解析数论中，理解有界乘性函数 $f: \mathbb{N} \to \mathbb{C}$ （通常取值于单位圆盘）的部分和 $M_f(x) = \sum_{n \le x} f(n)$ 的行为是一个中心问题。Halász 定理及其改进版本（如 Granville 和 Soundararajan 的工作）提供了 $M_f(x)$ 的上界，但这些上界在某些情况下并不尖锐（sharp），且主要关注的是上界而非精确的渐近公式。

对数平均的特殊性：
本文关注的是对数部分和（Logarithmic partial sums）：
$L_f(x) := \sum_{n \le x} \frac{f(n)}{n}$
与 $M_f(x)$ 不同， $L_f(x)$ 与 Dirichlet L-函数在 $s=1$ 处的值密切相关。虽然可以通过分部求和从 $M_f(x)$ 的界推导 $L_f(x)$ 的界，但这无法捕捉到 $L_f(x)$ 的本质特征。特别是，当 $f$ “假装”（pretends）是 $n^{it}$ 时， $M_f(x)$ 可能很大，但 $L_f(x)$ 仅在 $|t|$ 很小时才可能很大。

现有局限：

现有的关于 $L_f(x)$ 的上界结果（如 Montgomery-Vaughan, Goldmakher 等）在 $|L_f(x)| = O(1)$ 时远非尖锐。
对于完全乘性函数 $f: \mathbb{N} \to [-1, 1]$ ，Granville 和 Soundararajan (2007) 证明了 $L_f(x) \ge -c/(\log \log x)^{3/5}$ ，但这与构造出的下界 $L_f(x) < -C/\log x$ 之间存在巨大差距。
缺乏一个通用的、尖锐的渐近公式来描述 $L_f(x)$ 的行为，特别是将其与卷积函数 $g = 1 * f$ 的均值联系起来。

2. 方法论 (Methodology)

本文的核心创新在于建立了一个Halász 型的渐近公式，将 $L_f(x)$ 与加权均值 $\tilde{M}_g(w_0 x)$ 联系起来，其中 $w_0 = e^{1-\gamma}$ （ $\gamma$ 为欧拉 - 马斯刻若尼常数）。

关键技术点：

引入常数 $w_0 = e^{1-\gamma}$ ：
- 这是本文最关键的发现。作者通过 Perron 公式分析发现， $L_f(x)$ 的渐近行为依赖于 $g = 1 * f$ 在 $w_0 x$ 处的均值，而非 $x$ 处。
- 利用 $\zeta(s)$ 在 $s=1$ 附近的 Laurent 展开，证明了 $s/(s-1) w_0^{1-s} - \zeta(s)$ 在 $s=1$ 附近的行为类似于 $|s-1|$ 。这一性质使得在积分估计中，当 $f$ 为实值函数时，能够显著抑制 $|t| \le 1/2$ 范围内的贡献，从而获得更优的误差项。
“平均的平均” (Averages of Averages) 策略：
- 作者采用了 Halász 证明中的经典策略，但进行了更精细的处理。
- 定义误差项 $\Delta(y) = L_f(y) - \tilde{M}_g(w_0 y)$ 。
- 通过积分平均 $\frac{1}{\log x} \int_1^x |\Delta(y)| \frac{dy}{y}$ 来控制 $\Delta(x)$ 。
- 利用 $g = 1 * f$ 在 $f$ 为完全乘性且取值于 $[-1, 1]$ 时的非负性（ $g \ge 0$ ），这是推导中至关重要的性质。
Dirichlet 级数与 Plancherel 定理：
- 将积分平均转化为 Dirichlet 级数 $L(s, f)$ 和 $\zeta(s)$ 的 $L^2$ 范数估计。
- 利用 Parseval/Plancherel 定理，将问题转化为对 $L(1+\alpha+it, f)$ 和 $\zeta(1+\alpha+it)$ 的积分估计。
- 将积分区间分为 $|t| \le 1/2$ 和 $|t| > 1/2$ 两部分，分别利用 $\zeta(s)$ 的 Laurent 展开性质和标准上界进行控制。
随机乘性函数与概率论工具：
- 在研究随机 Rademacher 乘性函数时，利用 Hoeffding 不等式和矩估计来控制误差项。
- 通过截断技巧（将 $f$ 在 $x^{1/2}$ 以上的素数置零），利用独立性将问题转化为对较小范围函数的分析，从而消除对数因子。

3. 主要结果 (Key Results)

3.1 主定理：Halász 型渐近公式

定理 1.1 & 1.2：
对于取值于 $[-1, 1]$ 的乘性函数 $f$ ，令 $g = 1 * f$ 。对于 $x \ge 3$ 和 $1 \le T \le (\log x)^{100}$ ，有：
$L_f(x) = \left(1 + O\left(\frac{1}{\log x}\right)\right) \tilde{M}_g(w_0 x) + \text{Error Term}$
其中误差项涉及 $H_1(y)$ 和 $H_2(y; T)$ ，这些项与 $f$ 在素数上的分布及“假装”距离（pretentious distance）有关。

推论 1.3： 对于完全乘性函数 $f: \mathbb{N} \to [-1, 1]$ ，有 $L_f(x) = \tilde{M}_g(w_0 x) + O((\log x)^{-(1-2/\pi)})$ 。
定理 1.4： 证明了上述误差项的指数 $1-2/\pi$ 在某种意义上是最优的（best possible），即存在函数使得误差项达到该量级。

3.2 应用一：对数部分和的下界与 Granville-Soundararajan 问题

Corollary 2.1：
对于完全乘性函数 $f: \mathbb{N} \to [-1, 1]$ ，存在常数 $c > 0$ 使得：
$L_f(x) \ge -\frac{c}{(\log x)^{1-2/\pi}}$

意义： 这显著改进了 Granville 和 Soundararajan (2007) 的 $O((\log \log x)^{-3/5})$ 结果。
Corollary 2.2： 如果 $f$ 在较大素数上不“假装”是 Liouville 函数 $\lambda$ （即 $f(p)$ 为正值的比例足够大），则 $L_f(x)$ 的下界可以改进到 $-(\log x)^{-1+o(1)}$ 。

3.3 应用二：随机 Turán 问题

定理 2.3：
对于 Rademacher 随机完全乘性函数 $f$ （即 $f(p)$ 独立同分布地取 $\pm 1$ ）， $L_f(x) < 0$ 的概率满足：
$P(L_f(x) < 0) \ll \exp(-x^c)$
其中 $c \in (0, 1)$ 。

意义： 这证实了之前关于随机乘性函数负值概率的猜想，给出了指数级衰减的界限，远优于之前的 $\exp(-\exp(\dots))$ 型界限。

3.4 应用三：小值逆定理 (Converse Theorems)

Corollary 2.4 & 2.5：
如果 $|L_f(x)|$ 非常小（小于 $\exp(C(\log \log x)^{2/3})/\log x$ ），且 $f$ 满足一定的分布条件，则 $f$ 必须“假装”是 Liouville 函数 $\lambda$ 。

具体地， $D(f, \lambda; x)^2 \ll (\log \log x)^{2/3}$ 。
作者构造了例子证明该界限在本质上是尖锐的。

3.5 应用四：Goldmakher 猜想

Corollary 2.7：
证明了 Goldmakher 关于截断和的猜想的一个更强版本，给出了形如 $(\log y)e^{-D(f, 1; y)^2}$ 的界限，并附加了一个 $O((\log x)^{-(1-2/\pi)})$ 的误差项。

4. 意义与贡献 (Significance)

理论突破： 首次建立了 $L_f(x)$ 的通用且尖锐的渐近公式，揭示了 $w_0 = e^{1-\gamma}$ 这一常数在乘性函数对数平均中的核心作用。这填补了 Halász 定理在“对数平均”领域的空白。
解决长期难题： 极大地改进了 Granville 和 Soundararajan 关于完全乘性函数对数下界的问题，将界限从 $(\log \log x)$ 级别提升到 $(\log x)$ 级别，并确定了最优指数 $1-2/\pi$ 。
随机数论进展： 解决了随机乘性函数负值概率的长期猜想，证明了其概率呈指数级衰减，这是该领域的一个重大进展。
方法创新： 将 Halász 的“平均的平均”技术与复分析中的精细估计（特别是 $\zeta(s)$ 在 $s=1$ 附近的性质）相结合，为处理有界乘性函数的对数和提供了新的强大工具。
构造性证明： 通过构造具体的乘性函数例子，证明了所得界限的尖锐性（Optimality），表明理论结果无法再被显著改进。

总结

这篇论文通过引入常数 $w_0$ 和精细的复分析技术，建立了一个关于乘性函数对数平均的 Halász 型渐近公式。该公式不仅本身具有理论深度，还作为强有力的工具，解决了多个关于乘性函数下界、随机行为及逆问题的长期未决猜想，显著推进了乘性数论的发展。