Distribution of random multiplicative functions in short intervals, with proper normalization

技术摘要：短区间内随机乘性函数的分布

问题陈述
本文研究了 Steinhaus 随机乘性函数 $f(n)$ 在短区间 $[x, x+y]$ 上的部分和的极限分布，其中 $y \to \infty$ 但 $y = o(x)$。具体而言，作者研究了和式 $S(x, y) = \sum_{x \le n \le x+y} f(n)$ 的行为。

前人的工作已经确定，对于极小的 $y$（具体为 $y \ll x/(\log x)^c$），归一化和 $S(x, y)/\sqrt{y}$ 收敛于标准复高斯分布。然而，随着 $y$ 趋向于 $x$，其行为发生了变化。已知当 $y$ 足够接近 $x$ 时（例如 $y \ge x/\exp((\log \log x)^{1/2-\epsilon})$），标准的 $\sqrt{y}$ 归一化会因为“优于平方根抵消”效应而导致平凡的极限分布。核心的开放性问题在于：确定在整个范围 $y \to \infty, y=o(x)$ 内的极限分布，并识别出能使该谱系下产生非退化高斯极限的正确归一化因子。

方法论
作者采用了一种融合了鞅技术（martingale techniques）与精细屏障论证（barrier arguments）的高级方法，该方法建立在 Harper、Soundararajan 和 Xu 的框架之上。证明策略包含以下关键技术创新：

1. 对小素数的条件化： 作者并未直接对全和应用鞅中心极限定理（CLT），而是对素数 $p \le z$ 的 $f(p)$ 值进行条件化处理，其中 $z = x^{1/\log \log \log x}$。这使得该和可以分解为一个由小素数确定的系数加权的、具有大素因子的整数之和。
2. 条件方差分析： 论证的核心在于分析给定小素数情况下的和的条件方差 $V_f(x, y)$。作者证明了 $V_f(x, y)$ 以高概率集中在一个确定性量 $V(x, y)$ 附近。
3. 傅里叶侧重构： 利用 Parseval 等式，作者将条件方差从物理空间求和转化为一个随机 Euler 乘积 $F_z(1/2 + it)$ 的模平方在由 $x/y$ 决定的频率范围内的积分。
4. 屏障事件（Barrier Events）： 为了处理 Euler 乘积的重尾性质（这使得在 $y$ 较大时标准的矩方法失效），作者引入了屏障事件 $G(t)$ 和一种更精细的屏障 $H(t)$。这些事件约束了不同尺度下部分 Euler 乘积的增长：
   • $G(t)$ 确保 Euler 乘积以高概率不会增长过大。
   • $H(t)$ 施加了更严格的约束，有效地抑制了那些可能主导方差的罕见极端事件。
   • 这两种屏障的结合使得即使在 $y$ 接近 $x$ 时，也能实现对条件方差的集中估计。
5. 四阶矩估计： 为了应用鞅中心极限定理，作者必须控制四阶矩中的“非对角”贡献。他们利用轮廓积分表示法和涉及随机 Euler 乘积的调和求和，同样利用屏障事件来管理积分，从而证明非对角项相对于对角项是可忽略的。

主要贡献与结果

• 定理 1.1（主要结果）： 作者证明了对于任何满足 $y \to \infty$ 且 $y = o(x)$ 的 $y$，归一化和
  $$\frac{1}{\sqrt{V(x, y)}} \sum_{x \le n \le x+y} f(n)$$
  在分布上收敛于标准复高斯随机变量。
• 归一化因子 $V(x, y)$： 一个关键贡献是确定了缩放因子 $V(x, y)$，它在 $y$ 接近 $x$ 时不同于朴素的 $\sqrt{y}$。该因子渐近满足：
  $$V(x, y) \sim \frac{y}{\sqrt{2\pi}} \int_{-\kappa}^{\kappa} e^{-u^2/2} du, \quad \text{其中 } \kappa = \frac{\log(x/y)}{\sqrt{2 \log \log x}}.$$
  这意味着：
  • 当 $y \ll x/(\log x)^c$ 时，$V(x, y) \sim y$（恢复标准高斯行为）。
  • 当 $y$ 接近 $x$ 时（具体为 $\log(x/y) \ll \sqrt{\log \log x}$），$V(x, y) \asymp y \frac{\log(x/y)}{\sqrt{\log \log x}}$。
  • 归一化因子的这种转变反映了由乘性混沌效应驱动的“优于平方根抵消”现象。
• 与长和的对比： 本文将此结果与长和 $\sum_{n \le x} f(n)$ 的行为进行了对比。虽然短区间允许使用确定性归一化得到高斯极限，但作者（引用 Gorodetsky 和 Wong 的近期工作）指出，长和在任何归一化下都不会收敛到高斯分布。相反，长和的极限分布是非高斯的且具有重尾特征，与临界乘性混沌的总质量有关。
• 命题 1.2： 作者建立了长和的尾概率下界，表明 $P(|\sum_{n \le x} f(n)| \ge \lambda \sqrt{x}/(\log \log x)^{1/4}) \ge 1/\lambda^A$。这证实了不存在任何归一化能使全和产生非退化的高斯极限。

意义

该论文声称完全确定了所有短区间 $y = o(x)$ 下随机乘性函数的分布，解决了此前仅被部分理解的行为过渡问题。

• 新颖的归一化： 这是首次证明随机乘性函数的偏和具有非显而易见的（即并非简单的和的标准差）高斯极限分布。因子 $V(x, y)$ 自然地从条件方差的集中性中产生。
• 结构性洞察： 该工作强调了短区间与长和之间的根本区别。在短区间内，条件方差集中于一个确定性值，从而允许高斯极限；而在长和中，条件方差本身是一个具有重尾分布的随机变量，从而阻止了高斯收敛。
• 方法论进展： 论文引入了一种精细的屏罚方法，成功处理了在 $y$ 接近 $x$ 的情形下条件方差的重尾问题。该技术克服了以往四阶矩方法的局限性，后者在 $y$ 足够大以至于四阶矩“爆炸”时会失效。

作者指出，虽然证明是针对 Steinhaus 函数（复值）开发的，但该策略预计可以推广到 Rademacher 函数（实值），尽管在关于律的平移不变性方面需要进行一些非平凡的技术调整。