🔢 mathematics

Explicit bounds for Buchstab's function

本文为 Buchstab 函数 $\omega(u)$ 建立了数值显式且易于评估的上界与下界，从而消除了对定义其延迟微分方程进行数值求解的需求。

原作者： Andreas Weingartner

发布于 2026-07-27

📖 1 分钟阅读🧠 深度阅读

原作者： Andreas Weingartner

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，你是一名侦探，正试图在一群庞大的数字人群中统计“孤独”整数的数量。在数字的世界里，有些整数是社交达人，由许多小的质因子组成（比如 12，它是 2 × 2 × 3）。而另一些则是性格内向的“独行侠”，即那些拒绝拥有任何小于特定大小的质因子的数字。数学家们根据语境的不同，将这些数字称为“y-光滑”（y-smooth）或“y-粗糙”（y-rough）数，但其核心谜题在于：在一定的范围内，这些独行侠究竟有多少个？

为了解决这个问题，数学家们使用了一个特殊的工具，叫做布赫斯塔布函数（Buchstab's function），记作 $\omega(u)$ 。你可以将这个函数想象成一个风向标，它起初会剧烈旋转，但最终会趋于稳定且可预测的微风。这股微风代表了一个特定的数学常数（与欧拉常数 $\gamma$ 相关）。该函数告诉我们，当我们观察越来越大的范围时，这些“独行侠”数字的分布是如何变化的。我们为什么要关心这个？因为这些数字的行为与质数本身的分布有着深刻的联系。如果我们能预测这些独行侠的行为，我们就能获得一个更清晰的透镜，去观察质数隐藏在哪里，这对于从纯数学理论到数字代码安全的所有领域都至关重要。

长期以来，计算这个函数就像是通过解决一个复杂的、具有时间延迟的谜题来预测天气。你必须求解一个特定的“延迟微分方程”，这是一种高级的说法，意味着函数当前的值取决于它前一时刻的状态，从而产生一种极难通过手工甚至通过计算机进行大量繁重计算的连锁反应。

安德烈亚斯·魏因加特纳（Andreas Weingartner）撰写的这篇论文，提出了一个全新的、简单得多的方法。他并没有强迫读者在每次需要一个数值时都去求解那个困难的、具有时间延迟的谜题，而是提供了一组“显式界限”。想象一下你正在尝试猜测一株生长植物的高度。你不需要每秒钟都测量一次植物并从头开始计算其生长率，魏因加特纳给了你一把高度精确的尺子和一个简单的公式。他展示了对于任何数字 $u$ （其中 $u$ 代表问题的规模），你都可以利用一个涉及复数和一种特殊函数——兰伯特 W 函数（Lambert W function）的特定公式来计算该函数的值，然后只需检查你的答案是否落在一个非常紧凑的“误差范围”内即可。

论文证明了这种新方法具有惊人的精确度。对于 $u$ 在 3 到 6 之间的值，估计值的误差保证小于 $\frac{1}{2u(u-1)}$ 。对于更大的数字（ $u \ge 6$ ），误差进一步缩小，保持在 $\frac{1}{12u \log u}$ 以下。作者并非仅仅是在猜测这些极限；他是利用一种被称为“鞍点法”（saddle point method）的技术严谨地证明了它们，这种技术就像是寻找山脉中的最高峰，以获得观察周围景观的最佳视野。他还为较大的数字提供了一个第二个、甚至更加精确版本的公式，将误差降低到涉及 $u^{-2}$ 甚至 $u^{-3}$ 的极小分数。

这项工作的精妙之处在于，它将一个困难的、迭代的计算变成了一个直截了当的一步式配方。你代入你的数字，进行数学运算（这涉及大多数计算机软件中都能找到的标准函数），然后你得到的结果保证在距离真实答案特定的、微小的距离之内。论文包含了一张展示这些计算结果的表格，涵盖了像 6、10、40 甚至 10,000 这样的数字，证明了这些新公式与“真实”值完美匹配。这有点像是用一条笔直的高速公路取代了一个复杂、蜿蜒的迷宫：你到达了同一个目的地，但你到达得更快，拥有一张清晰的地图，并且你确切地知道自己距离终点线还有多远。

技术摘要：布斯塔布函数（Buchstab's Function）的显式界限

问题陈述
布斯塔布函数 $\omega(u)$ 表征了不含小素因数整数的分布。对于固定的 $u > 1$ ，所有素因子均大于 $x^{1/u}$ 的不超过 $x$ 的整数个数 $\Phi(x, x^{1/u})$ ，其渐近值为 $x\omega(u)/\log(x^{1/u})$ 。当 $u \to \infty$ 时， $\omega(u)$ 迅速收敛于 $e^{-\gamma}$ （其中 $\gamma$ 是欧拉常数），并在该极限值附近发生振荡。

这些振荡的行为在解析数论中至关重要，特别是在建立短区间内素数数量的界限方面。Maier [5] 证明了长度为 $(\log x)^v$ 的区间内素数密度的上极限（lim sup）和下极限（lim inf）直接取决于 $u \ge v$ 时 $W(u) := \omega(u) - e^{-\gamma}$ 的最大值和最小值。虽然 Hildebrand [3] 利用复杂的鞍点分析为 $W(u)$ 提供了渐近公式，但该近似中的误差项在数值上并不显式。本文的目标是为 $W(u)$ 建立严格且数值显式的上界和下界，使其无需通过数值求解底层的时滞微分方程即可进行简便评估。

方法论
作者对布斯塔布函数的拉普拉斯逆变换应用了鞍点法。其拉普拉斯变换由 $\hat{\omega}(s) = e^{J(s)} - 1$ 给出，其中 $J(s)$ 是指数积分函数。

鞍点定义： 在范围 $\mu \ge 1$ 且 $0 < \eta < 3\pi/2$ 内，定义了一个唯一的复数解 $\zeta = \mu - i\eta$ ，满足方程 $e^\zeta = -u\zeta$ 。该 $\zeta$ 作为 $W(u)$ 积分表示中的鞍点。
泰勒展开： 不同于以往使用低阶展开的工作，本文利用鞍点附近的七阶泰勒多项式来近似被积函数。这种更高阶的展开能够实现对误差项更紧密的控制。
复分析： 分析涉及估计 $J(-\zeta + i\tau)$ 及其导数的实部和虚部。作者推导了这些导数的显式界限（引理 4），并建立了远离鞍点处被积函数的衰减估计（引理 5）。
误差分解： 将 $W(u)$ 的积分分为主项（以鞍点为中心）和尾部贡献。尾部贡献使用通过分部积分和轮廓积分估计得到的显式不等式进行界定。
数值验证： 对于较小的 $u$ 值（具体为 $u \le 103$ ），通过使用 Marsaglia, Zaman, 和 Marsaglia [6] 的算法计算 $W(u)$ 的数值，并将其与推导出的误差界限进行对比，从而验证理论界限。

核心贡献与结果
本文提出了三个提供越来越精确近似且带有显式误差界限的定理。

定理 1： 提供了一个使用函数 $\Phi_1(u) = \Phi(u)(1 - \frac{1}{12u})$ 的初步近似。
$W(u) = 2|\Phi_1(u)| \{ \cos(\arg(\Phi_1(u))) + \theta_1(u) \}$
误差项满足：对于 $3 \le u \le 6$ ， $|\theta_1(u)| < \frac{1}{2u(u-1)}$ ；对于 $u \ge 6$ ， $|\theta_1(u)| < \frac{1}{12u \log u}$ 。
定理 2： 提供了一个更精确的近似，使用 $\Phi_2(u) = \Phi(u)(1 + \alpha(u))$ ，其中 $\alpha(u)$ 是由 $J$ 的四阶和五阶导数导出的关于 $\zeta$ 和 $u$ 的特定有理函数。
$W(u) = 2|\Phi_2(u)| \{ \cos(\arg(\Phi_2(u))) + \theta_2(u) \}$
误差项满足：对于 $6 \le u \le 19$ ， $|\theta_2(u)| < 420u^{-6}$ ；对于 $u \ge 16$ ， $|\theta_2(u)| < 0.005u^{-2}$ 。
定理 3： 通过在主因子中包含第二个修正项 $\beta(u)$ ，呈现了一个更小的误差项，定义 $\Phi_3(u) = \Phi(u)(1 + \alpha(u) + \beta(u))$ 。
$W(u) = 2|\Phi_3(u)| \{ \cos(\arg(\Phi_3(u))) + \theta_3(u) \}$
误差项满足：对于 $18 \le u \le 103$ ， $|\theta_3(u)| < 0.01u^{-3}$ ；对于 $u \ge 103$ ， $|\theta_3(u)| < 8.4u^{-3}$ 。

论文指出， $\Phi(u)$ 可以使用标准特殊函数计算：即用于 $J(s)$ 的不完全伽马函数和用于 $\zeta$ 的 Lambert $W$ 函数（具体为 $k=1$ 分支）。论文中的表 1 通过将这些界限与各种 $u$ 值的数值计算结果进行比较，展示了这些界限的高精度。

意义与主张
本文声称提供了首个无需求解时滞微分方程的、具有数值显式性质的布斯塔布函数上界和下界。其方法论借鉴了作者此前关于迪科曼函数（Dickman's function）[9] 的工作，将实值估计改编为适用于布斯塔布函数所需的复域估计。

作者谦逊地将这些结果的意义界定为建立了“数值显式”的估计。本文并非声称解决了短区间内素数分布的问题，而是提供了 $W(u)$ 所需的显式界限，从而使这些问题能够用具体的数值常数来处理。误差项被证明明显小于 Hildebrand 早期渐近公式 [3] 中的 $O(1/u)$ 误差，尤其是在 $u$ 取中等数值时。这些结果通过结合针对大 $u$ 值的严格解析界限以及针对较小 $u$ 值的直接数值计算得到了验证。

类似论文