Asymptotically sharp Hardy-Rellich inequalities on lattices

技术摘要：格点上渐近锐利的 Hardy-Rellich 不等式

问题陈述
本文旨在确定整数格点 $\mathbb{Z}^d$ 上离散 Hardy-Rellich 不等式中最优常数（记作 $C_{m,d}$）在维度 $d$ 趋于无穷时的锐利渐近行为。对于固定的整数阶 $m \ge 1$，该不等式定义为：
$$\sum_{n \in \mathbb{Z}^d} |D_m u(n)|^2 \ge C_{m,d} \sum_{n \in \mathbb{Z}^d \setminus \{0\}} \frac{|u(n)|^2}{|n|^{2m}}, \quad \forall u \in E(\mathbb{Z}^d),$$
其中 $E(\mathbb{Z}^d)$ 是在原点处消失的有紧支撑函数空间，$D_m$ 代表 $m$ 阶离散微分算子。

虽然在连续欧几里得空间 $\mathbb{R}^d$ 中的这类不等式的锐利常数是已知的（其规模为 $d^{2m}$），但离散情况呈现出显著的挑战，原因在于缺乏缩放性质（scaling arguments）和分部积分法。此前，Gupta 的研究表明 $C_{m,d}$ 在 $d$ 很大时按 $d^m$ 的规模增长，但精确的渐近极限仍是一个悬而未决的问题。具体而言，已知 $0 < \liminf_{d\to\infty} C_{m,d}/d^m \le \limsup_{d\to\infty} C_{m,d}/d^m < \infty$。本文旨在解决这个极限的确切值。

方法论
作者采用了一种结合傅里叶分析、泛函恒等式和概率集中估计的多步方法：

1. 傅里叶约化（Fourier Reduction）： 遵循 Gupta 的方法，将 $\mathbb{Z}^d$ 上的离散问题转化为平坦环面 $\mathbb{T}^d = [-\pi, \pi]^d$ 上的等价加权积分不等式。离散求和被转化为涉及特定各向异性权重函数的积分：
   $$\omega(x) = \sum_{j=1}^d \left(\sin \frac{x_j}{2}\right)^2.$$
   问题简化为寻找如下形式的加权不等式的最佳常数：
   $$\int_{\mathbb{T}^d} |D_k \phi|^2 \omega^\gamma dx \ge C_{d,k,\ell,\gamma} \int_{\mathbb{T}^d} |D_\ell \phi|^2 \omega^{\gamma-k+\ell} dx.$$

2. 广义 Hardy-Rellich 恒等式： 为了处理由各向异性权重 $\omega^\gamma$ 产生的误差项，作者利用了一般的一阶和二阶 Hardy-Rellich 恒等式。一个关键的创新是引入了一个二阶 Rellich 型恒等式（引理 2.1，式 2.2），该恒等式通过张量积将 Hessian 矩阵与向量场耦合在一起。这使得能够精确管理不同空间方向之间的耦合，而标准的 Bessel 对方法在处理此类上下文时无法解决这一问题。

3. 概率集中估计（Probabilistic Concentration Estimates）： 权重 $\omega$ 被解释为独立随机变量的经验平均值。作者利用这种概率结构来控制权重在 $d \to \infty$ 时趋于退化的区域（即 $\omega \to 0$ 的区域）：

   • Hoeffding 不等式： 用于估计权重发生显著偏差的集合的测度，确保这些“坏”区域在高维情况下变得可以忽略不计。
   • 熵方法（Entropy Methods）： 作者在环面上利用对数索伯列夫不等式（logarithmic Sobolev inequality），注意到最佳常数是与维度无关的。这使得能够获得一致的熵估计，从而对加权积分进行控制。

主要贡献与结果
本文的主要结果是确定了最优常数的精确渐近极限：

定理 1.1： 对于每个固定的整数 $m \ge 1$，锐利常数 $C_{m,d}$ 满足：
$$\lim_{d \to \infty} \frac{C_{m,d}}{d^m} = 2^m.$$

为了实现这一点，作者首先建立了 定理 1.3，该定理给出了环面上一般加权不等式的渐近行为。他们证明了对于非负整数 $\ell, k$ 且满足 $0 < k - \ell \le \gamma$：
$$\lim_{d \to \infty} \frac{C_{d,k,\ell,\gamma}}{d^{k-\ell}} = 2^{\ell-k}.$$

该证明依赖于 命题 1.4，该命题建立了涉及梯度和拉普拉斯算子的加权范数的锐利估计。具体而言，他们证明了对于较大的 $d$：

• $\int |\nabla \phi|^2 \omega^\gamma \approx \int \phi^2 \omega^\gamma$ （忽略低阶项）。
• $\int |\nabla \phi|^2 \omega^\gamma \approx \frac{d}{2} \int \phi^2 \omega^{\gamma-1}$。
• $\int |\Delta \phi|^2 \omega^\gamma \approx \int |\nabla \phi|^2 \omega^\gamma$。
• $\int |\Delta \phi|^2 \omega^\gamma \approx \frac{d}{2} \int |\nabla \phi|^2 \omega^{\gamma-1}$。

这些估计是通过结合新的 Rellich 恒等式与概率集中界（Hoeffding 和熵）来处理 $\omega$ 的各向异性而推导出的。

意义
本文声称完整回答了关于离散 Hardy-Rellich 常数精确渐近行为的、由 Gupta 留下的问题。其结果突显了离散与连续设定之间的根本区别：虽然 $\mathbb{R}^d$ 中的最优常数以 $d^{2m}$ 增长，但 $\mathbb{Z}^d$ 上的常数以 $d^m$ 增长。作者指出，他们的处理方法，特别是利用概率集中估计来以维度一致的方式处理各向异性权重，为分析高维离散不等式提供了一种新的工具箱。

作者还提到，在本文完成之后，Gupta 利用另一种方法独立得到了相同的结果。本文的贡献在于通过结合傅里叶约化、新的二阶恒等式以及概率方法来推导这些锐利估计的具体路径。