[論文レビュー] Determining Optimal Test Functions for Bounding the Average Rank in Families of $L$-Functions

Jesse Freeman, Steven J. Miller|arXiv (Cornell University)|Jul 13, 2015

Analytic Number Theory Research参考文献 40被引用数 5

ひとこと要約

この論文は、ランダム行列理論から導かれる遅延微分方程式を解くことにより、$L$-関数の族における平均ランクの上限を求める最適なテスト関数を特定し、古典的コンパクト群（SO(even), SO(odd), Sp）のさまざまなサポート範囲で、より良いランク推定値を達成している。主な貢献は、中心付近のランクの消失に最も感度が高い関数を体系的に計算する方法を提供することであり、数論および算術幾何学におけるより緊密な境界の確立に寄与している。

ABSTRACT

Given an $L$-function, one of the most important questions concerns its vanishing at the central point; for example, the Birch and Swinnerton-Dyer conjecture states that the order of vanishing there of an elliptic curve $L$-function equals the rank of the Mordell-Weil group. The Katz and Sarnak Density Conjecture states that this and other behavior is well-modeled by random matrix ensembles. This correspondence is known for many families when the test functions are suitably restricted. For appropriate choices, we obtain bounds on the average order of vanishing at the central point in families. In this note we report on progress in determining the optimal test functions for the various classical compact groups for different support restrictions, and discuss how this relates to improved rank bounds.

研究の動機と目的

• 算術幾何学および Birch と Swinnerton-Dyer 予想の中心的問題である、$L$-関数族における中心点での零点の平均位数の上限を改善すること。
• 標準的サポート $(-2,2)$ を超えて $n$-レベル密度法の適用範囲を拡大するために、より大きなサポート範囲に対応する最適なテスト関数を構築すること。
• 古典的コンパクト群（SO(even), SO(odd), Sp）に対して、さまざまなサポート制約のもとで最適なテスト関数を体系的に決定するフレームワークを提供すること。
• 今後の研究における低次の項の組み込みの基盤を築くことにより、数値データにおける有限導手数の挙動をより良くモデル化すること。

提案手法

• 候補テスト関数 $\hat{g}_{\mathcal{G}}$ に作用する積分作用素 $(I + K_{\mathcal{G},\sigma})$ から導かれる遅延微分方程式系を解く。
• 定数 $c$ を用いて、同次方程式 $(I + K_{\mathcal{G},\sigma})\hat{g}_{\mathcal{G}} = c$ を解くことにより、スケーリング前の最適関数 $\hat{g}_{\mathcal{G}}$ を計算する。
• $(I + K_{\mathcal{G},\sigma})(\hat{g}_{\mathcal{G}})(0) = 1$ を満たすように解を正規化することにより、正しいスケーリング係数 $\lambda_{\mathcal{G},\sigma}$ を決定する。この際、明示的な積分表現を用いる。
• サポートパラメータ $\sigma$ の三角関数および正 tangent 関数を含む閉形式の $\lambda_{\mathcal{G},\sigma}$ の式を導出する。
• サポート $\sigma \in (3,4)$ の場合に、$\mathcal{G} = \mathrm{SO(odd)}, \mathrm{SO(even)}, \mathrm{Sp}$ に対する 1 レベル密度にこの手法を適用し、すべての $\sigma > 0$ に対して一般化可能であると仮説を立てる。
• 核 $K_{\mathcal{G},\sigma}$ の構造を活用し、解の族からの係数選択によって、無限次元最適化問題を有限次元問題に還元する。

実験結果

リサーチクエスチョン

• RQ1 サポートが $(-2,2)$ を超える場合、古典的コンパクト群に関連する $L$-関数族の 1 レベル密度に対して最適なテスト関数は何か？
• RQ2 遅延微分方程式系の解は、どのようにスケーリングすれば、中心ランクの消失に最大の感度を持つ正規化されたテスト関数が得られるか？
• RQ3 範囲 $\sigma \in (3,4)$ において、$\mathcal{G} = \mathrm{SO(even)}, \mathrm{SO(odd)}, \mathrm{Sp}$ の正規化定数 $\lambda_{\mathcal{G},\sigma}$ の明示的な閉形式表現は何か？
• RQ4 1 レベル密度に用いた手法を $n$-レベル密度に一般化し、密度展開における低次の項を含めるにはどうすればよいか？
• RQ5 核 $K_{\mathcal{G},\sigma}$ が示すどのような構造的性質が、無限次元最適化問題を有限次元問題に還元可能にするか？

主な発見

• ${\mathcal{G} = \mathrm{SO(even)}}$ の場合、正規化定数は $\lambda_{\mathcal{G},\sigma} = 2\sqrt{2}\sin\left(\frac{1}{4}(3-2\sigma)\right) + (\sigma-1)\sin\left(\frac{1}{4}(-2\sigma+\pi+3)\right) + \frac{1}{2}\sin\left(\frac{1}{4}(2\sigma+\pi-3)\right)\left(\sqrt{2}(\sigma+1)\tan\left(\frac{\sigma-1}{\sqrt{2}}\right)+2\right)$ である。
• ${\mathcal{G} = \mathrm{Sp}}$ の場合、正規化定数は $\lambda_{\mathcal{G},\sigma} = -2\sqrt{2}\sin\left(\frac{1}{4}(3-2\sigma)\right) + (\sigma-1)\cos\left(\frac{1}{4}(2\sigma+3\pi-3)\right) + \frac{1}{2}\sin\left(\frac{1}{4}(-2\sigma+\pi+3)\right)\left(\sqrt{2}(\sigma-3)\tan\left(\frac{\sigma-1}{\sqrt{2}}\right)+2\right)$ である。
• ${\mathcal{G} = \mathrm{SO(odd)}}$ の場合、正規化定数は $\lambda_{\mathcal{G}} = \lambda_{\mathrm{Sp}} + 4(\sigma-1)\sin\left(\frac{1}{4}(2\sigma+\pi-3)\right) + 4\sqrt{2}\sin\left(\frac{1}{4}(3-2\sigma)\right) - 2\sqrt{2}(\sigma-2)\sin\left(\frac{1}{4}(-2\sigma+\pi+3)\right)\tan\left(\frac{\sigma-1}{\sqrt{2}}\right)$ である。
• スケーリング前の最適関数 $\hat{g}_{\mathcal{G}}$ は、非ゼロ定数 $c$ に対して $(I + K_{\mathcal{G},\sigma})\hat{g}_{\mathcal{G}} = c$ を満たし、その後 $\lambda_{\mathcal{G},\sigma}$ を用いて 1 に正規化される。
• この手法は古典的 $(-2,2)$ サポートを越えて成功裏に適用され、$\sigma \in (3,4)$ の範囲で結果を達成しており、すべての $\sigma > 0$ に対して一般化可能であると仮説されている。
• このアプローチにより、最適テスト関数を求める無限次元問題が、解の族からの係数選択という有限次元最適化問題に還元され、その中で第二段階（係数選択）がより困難な部分であると特定された。