A sharp almost sure upper bound for partial sums of random multiplicative functions

技术摘要：随机乘性函数部分和的锐利几乎处处上界

问题陈述
本文研究了随机乘性函数 $f$ 的部分和 $M_f(x) = \sum_{n \le x} f(n)$ 的几乎处处渐近行为。研究重点针对两种特定的模型：

1. Steinhaus 模型： $f(p)$ 在单位圆 $\mathbb{T}$ 上独立且服从均匀分布，并完全乘性地扩展。
2. Rademacher 模型： $f(p)$ 是独立的对称符号（$\pm 1$），并乘性地扩展到无平方因子整数（支撑在 $\mu^2(n)=1$ 上）。

虽然二阶矩 $E|M_f(x)|^2$ 的阶数为 $x$，但由于相关性的存在，预计几乎处处的上界会更大。前人的工作确立了 $\sqrt{x}(\log \log x)^{1/4}$ 阶的下界（Harper [12]），以及具有较大对数指数的各种上界，例如 $\sqrt{x}(\log \log x)^{2+\varepsilon}$（Basquin [3]; Lau–Tenenbaum–Wu [13]）和 $\sqrt{x}(\log \log x)^{3/4+\varepsilon}$（Caich [5]）。Harper 猜想，锐利的几乎处处上界在指数项上应与下界仅差任意 $\varepsilon$ 因子，即 $\sqrt{x}(\log \log x)^{1/4+\varepsilon}$。

方法论
作者采用多阶段概率与分析策略来证明所猜想的界。证明遵循 Caich [5] 的总体架构，但引入了关键的矩估计改进。

1. 离散化与插值：
   连续变量 $x$ 被替换为稀疏序列的“测试点” $x_i = \lfloor \exp(i c_0) \rfloor$。引理 3.8 表明，$M_f(x)$ 在相邻测试点之间的波动是微不足道的（小于 $\log x$ 的任何幂次）几乎处处成立，从而允许将问题简化为对 $M_f(x_i)$ 的估计。

2. 最大素因子分解：
   根据整数 $n \le x_i$ 的最大素因子 $P(n)$ 对 $M_f(x_i)$ 进行分解。素数被划分为块 $(y_{j-1}, y_j]$。

   • 光滑项（Smooth Term）： 最大素因子满足 $P(n) \le y_0$ 的整数。
   • 单出现项（Single-Occurrence Term, $M_f^{(1)}$）： 最大素因子恰好出现一次的整数。这构成了一个以素数为索引的鞅。
   • 重复出现项（Repeated-Occurrence Term, $M_f^{(2)}$）： 最大素因子出现至少两次的整数。在 Rademacher 模型中，该项消失。

3. 平滑化与二次变分：
   对单出现项的控制依赖于对其可预测二次变分 $V_\ell(x_i; f)$ 的估计。作者利用平滑不等式（命理 3.15）将 $V_\ell$ 与主对数均方项 $M_\ell$ 以及若干辅助误差项（$\lambda$-项、边界项和 $W$-项）联系起来。通过标准概率工具（Doob 不等式、Azuma–Hoeffding 不等式）证明了这些辅助项是可求和的。

4. 核心创新：条件高阶矩：
   核心难点在于跨越 $J \asymp \log \log x$ 个素数块一致地控制主项 $M_\ell$。

   • 先前方法（Caich）： 依赖于在各块上求和的条件一阶矩估计，导致损失了一个 $\sqrt{\log \log x}$ 因子。
   • 当前方法： 作者引入了固定的条件 $r$ 阶矩估计（Proposition 5.2 针对 Steinhaus，Proposition 7.8 针对 Rademacher）。他们定义了一个倾斜且归一化的欧拉乘积积分 $I_j$，并证明其构成一个超鞅（引理 5.1，引理 7.7）。
   • 至关重要的是，他们确立了 $E[U_j^r \mid \mathcal{F}_{y_{j-1}}] \ll I_{j-1}^r$，其中 $U_j$ 主导了主项。这种高阶矩控制，结合停止论证（使用 Harper [9] 中针对 Steinhaus 情况的 $2/3$-矩界，以及针对 Rademacher 的偏移估计），产生了一个补偿因子 $L^{-1}$（其中 $L \asymp \log \log x$）。这精确地抵消了在 $J$ 个块上的并集界（union bound），消除了额外的 $\sqrt{\log \log x}$ 损失。

5. 模型特定调整：

   • Steinhaus： 使用标准的超收缩不等式（引理 3.1）和 Harper 关于全线均方值的低阶矩估计（引理 4.1）。
   • Rademacher： 由于符号不具备旋转不变性，需要进行修改。作者使用了偏移单位区间估计（引理 7.4），并将超鞅构造适配到 Rademacher 模型的特定欧拉乘积结构（引理 7.7）。

主要结果
主定理确立了两种模型的锐利几乎处处上界：

定理 1： 令 $f$ 为 Steinhaus 或 Rademacher 随机乘性函数。对于每个 $\varepsilon > 0$，几乎处处有：
$$|M_f(x)| \ll_{\varepsilon, f} \sqrt{x} (\log \log x)^{1/4 + \varepsilon}$$

此外，命理 1.1 提供了一个更精确的固定阶说明：对于任何整数 $r \ge 2$ 和 $\eta > 0$，几乎处处有：
$$|M_f(x)| \ll_{r, \eta, f} \sqrt{x} (\log \log x)^{1/4 + 1/(2r) + \eta}$$

结合 Harper 的下界 (1.6)，作者推导出推论 1.2，确定了精确的对数指数：
$$\limsup_{x \to \infty} \frac{\log(1 + |M_f(x)|/\sqrt{x})}{\log \log \log x} = \frac{1}{4}$$

意义与主张
本文声称解决了 Harper 关于随机乘性函数大波动的猜想。通过确定 $1/4$ 这一锐利对数指数，这项工作解决了此前上界（指数为 $2$或$3/4$）与已知下界之间的差异。

作者强调，证明并不依赖于独立性论证（这在存在乘性相关性时会失效），而是依赖于对相关性如何随 $x$ 变化的精细理解。其主要的数学贡献是将先前工作中基于条件一阶矩的步骤，替换为针对单个素数块的固定条件 $r$ 阶矩估计。这一创新使得能够精确吸收在对数数量级的素数块上的并集界，从而实现了预期的指数。论文断言，这一结果连同下界，完整地刻画了这些随机乘性函数部分和的几乎处处大小。