[논문 리뷰] Determining Optimal Test Functions for Bounding the Average Rank in Families of $L$-Functions

Jesse Freeman, Steven J. Miller|arXiv (Cornell University)|2015. 07. 13.

Analytic Number Theory Research참고 문헌 40인용 수 5

한 줄 요약

이 논문은 랜덤 매트릭스 이론에서 유도된 지연 미분방정식을 풀어 고전적 컴팩트 군(SO(even), SO(odd), Sp)의 $L$-함수 가족에서 평균 랭크를 유계화하기 위한 최적의 테스트 함수를 결정한다. 다양한 지지 범위에서 기존의 결과를 향상시키며, 중심 랭크의 0이 되는 현상에 대한 민감도를 극대화하는 최적의 함수를 체계적으로 계산하는 방법을 제공함으로써, 수론 및 산술기하학에서 더 견고한 유계를 확보한다.

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.

연구 동기 및 목표

• 가운데 점에서의 영점의 평균 차수에 대한 유계를 향상시키기 위해, 산술기하학과 Birch 및 Swinnerton-Dyer 추측의 핵심 질문인 $L$-함수 가족에서 중심점에서의 영점의 평균 차수에 대한 유계를 개선한다.
• 표준 지지 범위 $(-2,2)$를 초월하여 $n$-레벨 밀도 방법의 적용 범위를 넓히기 위해 더 큰 지지 범위를 위한 최적의 테스트 함수를 구성한다.
• 고전적 컴팩트 군(SO(even), SO(odd), Sp)에 대해 다양한 지지 제약 조건 하에서 최적의 테스트 함수를 체계적으로 결정하는 프레임워크를 제공한다.
• 미래 연구에서 하위항을 포함시키기 위한 기초를 마련하여, 수치 데이터에서 유한한 도전자 행동을 더 잘 모델링할 수 있도록 한다.

제안 방법

• 후보 테스트 함수 $\hat{g}_{\mathcal{G}}$ 에 작용하는 적분 연산자 $(I + K_{\mathcal{G},\sigma})$ 에서 유도된 지연 미분방정식의 연립방정식을 푼다.
• 상수 $c$ 에 대해 동차 방정식 $(I + K_{\mathcal{G},\sigma})\hat{g}_{\mathcal{G}} = c$ 를 풀어 비스케일링된 최적의 함수 $\hat{g}_{\mathcal{G}}$ 를 계산한다.
• 해의 해를 정규화하여 $(I + K_{\mathcal{G},\sigma})(\hat{g}_{\mathcal{G}})(0) = 1$ 이 되도록 하여 올바른 스케일링 인자 $\lambda_{\mathcal{G},\sigma}$ 를 결정한다. 이는 명시적 적분 표현식을 사용한다.
• 지지 매개변수 $\sigma$ 의 삼각함수와 탄젠트 함수를 포함하는 $\lambda_{\mathcal{G},\sigma}$ 의 닫힌 형태 표현식을 유도한다.
• 지지 범위 $\sigma \in (3,4)$ 에 대해 $\mathcal{G} = \mathrm{SO(odd)}, \mathrm{SO(even)}, \mathrm{Sp}$ 에 대한 1레벨 밀도에 이 방법을 적용하고, 모든 $\sigma > 0$ 에 대한 일반화를 추측한다.
• 해의 해를 구성하는 데 사용된 커널 $K_{\mathcal{G},\sigma}$ 의 구조를 활용하여, 무한차원 최적화 문제를 해의 가중치 선택을 통한 유한차원 문제로 축소한다.

실험 결과

연구 질문

• RQ1 지지 범위가 $(-2,2)$ 를 초월할 경우, 고전적 컴팩트 군(SO(even), SO(odd), Sp)에 관련된 $L$-함수 가족의 1레벨 밀도에 대한 최적의 테스트 함수는 무엇인가요?
• RQ2 지연 미분방정식 연립방정식의 해는 어떻게 스케일링되어 중심 랭크의 0이 되는 현상에 대한 민감도를 극대화하는 정규화된 테스트 함수를 얻을 수 있나요?
• RQ3 $\sigma \in (3,4)$ 범위에서 $\mathcal{G} = \mathrm{SO(even)}, \mathrm{SO(odd)}, \mathrm{Sp}$ 에 대해 정규화 상수 $\lambda_{\mathcal{G},\sigma}$ 의 명시적 닫힌 형태 표현식은 무엇인가요?
• RQ4 1레벨 밀도에 사용된 방법을 $n$-레벨 밀도로 일반화하고, 밀도 전개에 하위항을 포함시키기 위해 확장할 수 있나요?
• RQ5 무한차원 최적화 문제를 유한차원 문제로 축소하는 데 기여하는 커널 $K_{\mathcal{G},\sigma}$ 의 구조적 성질은 무엇인가요?

주요 결과

• For $\mathcal{G} = \mathrm{SO(even)}$, the normalization constant is $\lambda_{\mathcal{G},\sigma} = 2\sqrt{2}\sin\left(\frac{1}{4}(3-2\sigma)\right) + (\sigma-1)\sin\left(\frac{1}{4}(-2\sigma+\pi+3)\right) + \frac{1}{2}\sin\left(\frac{1}{4}(2\sigma+\pi-3)\right)\left(\sqrt{2}(\sigma+1)\tan\left(\frac{\sigma-1}{\sqrt{2}}\right)+2\right)$.
• For $\mathcal{G} = \mathrm{Sp}$, the normalization constant is $\lambda_{\mathcal{G},\sigma} = -2\sqrt{2}\sin\left(\frac{1}{4}(3-2\sigma)\right) + (\sigma-1)\cos\left(\frac{1}{4}(2\sigma+3\pi-3)\right) + \frac{1}{2}\sin\left(\frac{1}{4}(-2\sigma+\pi+3)\right)\left(\sqrt{2}(\sigma-3)\tan\left(\frac{\sigma-1}{\sqrt{2}}\right)+2\right)$.
• For $\mathcal{G} = \mathrm{SO(odd)}$, the normalization constant is $\lambda_{\mathcal{G}} = \lambda_{\mathrm{Sp}} + 4(\sigma-1)\sin\left(\frac{1}{4}(2\sigma+\pi-3)\right) + 4\sqrt{2}\sin\left(\frac{1}{4}(3-2\sigma)\right) - 2\sqrt{2}(\sigma-2)\sin\left(\frac{1}{4}(-2\sigma+\pi+3)\right)\tan\left(\frac{\sigma-1}{\sqrt{2}}\right)$.
• The unscaled optimal function $\hat{g}_{\mathcal{G}}$ satisfies $(I + K_{\mathcal{G},\sigma})\hat{g}_{\mathcal{G}} = c$ for a nonzero constant $c$, which is then normalized to 1 via $\lambda_{\mathcal{G},\sigma}$.
• The method successfully extends beyond the classical $(-2,2)$ support, achieving results for $\sigma \in (3,4)$, with conjectured generalization to all $\sigma > 0$.
• The approach reduces the infinite-dimensional problem of finding optimal test functions to a finite-dimensional optimization over solution families, with the second step (coefficient selection) identified as the more challenging component.