Machine learning the arithmetic of Boyd's Mahler measure conjectures

技术摘要：利用机器学习研究 Boyd 关于 Mahler 测度的猜想中的算术性质

问题陈述
本文研究了在 Boyd 关于二元 Laurent 多项式 $P_k(x, y) = x + y + \frac{1}{x} + \frac{1}{y} + k$ 的 Mahler 测度猜想中出现的有理因子 $r_k$ 的算术本质。Boyd 猜想，对于整数 $k \notin \{-4, 0, 4\}$，Mahler 测度 $\mu_k$ 满足：
$$\mu_k = r_k L'(E_k, 0)$$
其中 $E_k$ 是与 $P_k$ 的零点集相关的椭圆曲线，而 $r_k$ 是一个非零有理数。虽然 $r_k$ 的符号由 $E_k$ 的根数（root number）决定，但其量级和 $p$ 进性质（特别是其倒数 $n_k = 1/r_k$）在很大程度上仍是未知的。作者旨在通过大规模统计分析和机器学习来理解 $n_k$ 的算术结构，探讨 $r_k$ 如何与 $k$ 以及椭圆曲线 $E_k$ 相关联。

方法论
本研究采用了一种结合大规模数值计算与基于 Transformer 的机器学习的双重方法：

1. 数据生成： 作者计算了前 250,000 个 $\mu_k$ 和 $L'(E_k, 0)$ 的值，范围为 $1 \le k \le 250,000$（排除 $k=4$）。

   • $\mu_k$ 使用显式超几何公式进行计算。
   • $L'(E_k, 0)$ 使用 PARI/GP 计算至 19 位小数精度。
   • 有理商 $r_k$ 通过 LLL 算法进行数值识别。
   • 该过程大约需要 9.6 $\times$ 10$^7$ 秒的单核计算时间。

2. 统计分析： 对数据集进行了分析，以识别 $n_k$ 的大小及其 $p$ 进估值 $v_p(n_k)$ 的模式。作者研究了其与导体（conductor）$N_k$、判别式 $\Delta_k$ 以及 $k$ 的同余条件的关联性。

3. 机器学习实验： 使用 Axolver 框架（基于 Int2Int Transformer 架构），作者训练了序列到序列（sequence-to-sequence）神经网络来预测 $r_k$ 的性质。

   • 输入： 整数 $k$（编码为数字序列）以及各种算术特征（根数 $\omega_k$、导体 $N_k$、 $N_k$ 和 $\Delta_k$ 的分解、Frobenius 迹 $a_p$、秩、Tamagawa 数）。
   • 任务： 直接预测 $r_k$、预测其量级 $|n_k|$，以及预测特定素数 $p \in \{2, 3, 5, 7\}$ 的 $p$ 进估值 $v_p(n_k)$。
   • 评估： 通过贪婪精确匹配率（greedy exact-match rates）和预测值与实际值之间的相关系数进行评估。

主要贡献与结果

1. 关于 $n_k$ 的统计观察

• 整性： 除少数例外（$k \in \{3, 4, 5, 8, 12, 16, 32\}$）外，$n_k = 1/r_k$ 均为整数。
• 量级： $n_k$ 的数量级受导体 $N_k$ 和 $k$ 的支配，遵循估计式 $|n_k| \asymp \frac{N_k}{\log k}$。缩放此关系的项 $L(E_k, 2)$ 在经验上被观察到处于一个狭窄的区间 $(0.52, 1.75)$ 内，均值为 0.83。
• 素数 $p \ge 5$： 对于 $p \ge 5$，其 $p$ 进估值通常遵循简单的概率法则：$P(v_p(n_k) = r) \approx p^{-r}$（其中 $r \ge 1$）。然而，素数 $p=5$ 显示出显著偏离随机模型的现象，表现出更高的整除概率。
• 素数 $p=3$： 3-进估值表现出复杂的结构。其整除频率很高（约 73%）。该估值受 $k$ 的同余条件（特别是模 27）以及 $E_k$ 的坏素数个数的奇偶性（这些坏素数 $\equiv 1 \pmod 3$）的强烈影响。在特定的子族中（例如当 $k(k^2-16)$ 为无平方因子时），$v_3(n_k)$ 与这些坏素数的奇偶性之间存在严格的奇偶律。
• 素数 $p=2$： 2-进估值由一个确定性项和一个随机误差项建模。作者提出了模型：
  $$v_2(n_k) \approx \hat{v}(k) + s(k) + X_k$$
  其中 $\hat{v}(k) = \omega_{odd}(k) + 2\omega_{odd}(k^2-16) - c(k)$ 计算了 $k$ 和 $k^2-16$ 的加权奇素因子， $s(k)$ 是针对 $k$ 在 2-进意义下接近 $\pm 8$ 的修正项，且 $X_k$ 服从负二项分布 $NB(r=3, p=3/5)$。这导出了 **猜想 3.2**：对于所有$k \neq 4, 8$，有$\hat{v}(k) \le v_2(n_k)$。
• 条件证明： 作者在假设 Bloch-Kato 猜想及 Dummigan 等人 [DGdJK26] 的特定假设下，为特定 $k$ 族（如 $k=4u, u \equiv 4 \pmod 8$ 等）提供了上述猜想 3.2 的条件证明。

2. 机器学习结果

• 量级预测： 神经网络未能精确预测 $r_k$。然而，在提供导体 $N_k$ 或其分解的情况下，它成功学习了量级 $|n_k|$（在两倍界限内的准确率达到约 100%）。这证实了导体与 $n_k$ 大小之间的统计联系。
• 估值预测 ($p \ge 5$)： 对于 $p=5$ 和 $p=7$ 的模型失效，退化为仅预测最频繁的结果（$v_p=0$），未能揭示结构，这是由于估值分布极不平衡导致的。
• 估值预测 ($p=3$)： 模型学会了以极高的准确率（约 99%）区分 $v_3(n_k)=0$ 与 $v_3(n_k)=1$ 的情况，成功捕捉到了统计分析中识别出的奇偶律。
• 估值预测 ($p=2$)： 模型的学习过程揭示了一个两阶段演化：
  • 第一平台期： 模型的预测与基于统计模型的确定性预测器 $\hat{P}(k)$ 密切相关。
  • 第二平台期： 随着训练的继续，模型的准确率提高，同时其与 $\hat{P}(k)$ 的相关性降低。关键在于，模型在识别下界何时达到锐利（即 $v_2(n_k) = \hat{v}(k)$）时变得显著更好。这表明网络检测到了当前统计模型未能捕捉到的算术信息。

意义与主张
本文并非声称证明了 Boyd 猜想或推导出了 $r_k$ 的闭式公式。相反，其主张如下：

1. 刻画了算术结构： 确定了 $r_k$ 受一套层级化的算术属性支配：根数（符号）、导体（量级）以及复杂的局部 $p$ 进律（整除性）。
2. 提出了新猜想： 针对 $p$ 进估值的分布（特别是 $v_2(n_k)$ 的下界）以及 $p \ge 5$ 的概率法则，提出了具体的猜想。
3. 展示了 AI 的效用： 展示了机器学习不仅可以恢复已知的统计模式（如导体-量级关系），更重要的是，能够检测微妙的算术结构（如 2-进下界的锐利性），而这些结构在原始数据或当前的理论框架中并不直观。
4. 指出了差距： 本工作强调，虽然 $r_k$ 的“大小”通过导体已得到较好理解，但其估值的“精细结构”（尤其是 $p=2$ 和 $p=3$ 时）需要更深的算术解释，可能涉及 Bloch-Kato 框架所暗示的 Selmer 群和正则指标（regulator indices）。

作者得出结论，大规模计算与机器学习的结合是一种强大的工具，能够生成具体的猜想并识别现象，从而为 Mahler 测度和 $L$ 函数背景下的未来理论证明提供指导。