[论文解读] Twins of s-free numbers

Julia Brandes|arXiv (Cornell University)|Jul 8, 2013

Numerical Methods and Algorithms参考文献 2被引用 4

一句话总结

本文将希斯-布朗的平方筛法推广至更高次幂，引入基于特征和的筛法以处理 $s$-自由数，从而改进了孪生 $s$-自由数计数中的误差项。研究证明，满足 $n, n+1 \leq x$ 的连续 $s$-自由对的数量为 $C_s x + O(x^{\frac{14}{7s+8}+\epsilon})$，显著优于卡尔茨的 $O(x^{\frac{2}{s+1}+\epsilon})$，且无需假设黎曼猜想。

ABSTRACT

We generalise the square sieve developed by Heath-Brown to higher powers in order to improve on the error term for the problem of counting consecutive power-free numbers.

研究动机与目标

• 在不假设黎曼猜想的前提下，改进连续 $s$-自由数 $n, n+1 \leq x$ 的渐近计数中的误差项。
• 将希斯-布朗的平方筛法从 $s=2$ 推广至更高次 $s \geq 2$，利用高次幂剩余特征。
• 为相关和 $\sum_{n \leq x} E_s(n)E_s(n+1)$ 建立非平凡的误差界，其中 $E_s(n)$ 表示 $s$-自由数的指示函数。
• 在误差项中确立新的指数 $\frac{14}{7s+8}$，优于卡尔茨的 $\frac{2}{s+1}$，并明确体现 $\epsilon$ 的依赖关系。
• 证明特征和抵消与二元分解带来的节省可使误差指数获得 $O(x^{1/s^2})$ 的改进。

提出的方法

• 引入基于非主 $s$ 次幂剩余特征 $\left(\frac{\cdot}{p}\right)_s$ 的广义筛法，模素数 $p$ 满足 $(s, p-1) \neq 1$。
• 应用加权和 $S(\mathcal{A}) = \sum_n w(n^s)$，其中权重 $w(n) = 0$ 对于 $n \geq e^P$，$P = \#\mathcal{P}$。
• 利用恒等式 $\left|\sum_{p \in \mathcal{P}} \left(\frac{n}{p}\right)_s\right|^2 \gg P^2$ 当 $n$ 为 $s$ 次幂时，通过特征和检测 $s$-自由数。
• 展开特征和的平方，导出估计式 $S(\mathcal{A}) \ll P^{-1} \sum w(n) + P^{-2} \sum_{p \neq q} \left| \sum w(n) \left(\frac{n}{p}\right)_s \overline{\left(\frac{n}{q}\right)_s} \right|$。
• 对 $J, K$ 进行二元分解，利用 Hensel 引理和除数函数界估计方程 $j^s u \pm 1 = k^s v$ 的解数。
• 结合特征和估计与解数计数（通过引理 3）以优化参数选择 $y = x^{14/(7s+8)}$，使误差项最小化。

实验结果

研究问题

• RQ1 希斯-布朗的平方筛法能否推广至 $s \geq 3$ 的 $s$-自由数，以改进孪生 $s$-自由数计数中的误差项？
• RQ2 在不假设黎曼猜想的前提下，$\sum_{n \leq x} E_s(n)E_s(n+1)$ 的最佳可能误差项是什么？
• RQ3 使用高次幂剩余特征与特征和抵消，相较于初等方法，如何改善误差项中的指数？
• RQ4 能否量化特征和抵消与二元分解带来的节省，以实现相比卡尔茨界限的 $O(x^{1/s^2})$ 改进？
• RQ5 选择 $y = x^{14/(7s+8)}$ 在平衡误差估计中相互竞争项时起到什么作用？

主要发现

• 满足 $n, n+1 \leq x$ 的连续 $s$-自由对的数量渐近为 $C_s x + O(x^{\frac{14}{7s+8}+\epsilon})$，其中 $C_s = \prod_p \left(1 - \frac{2}{p^s}\right)$。
• 当 $s=2$ 时，误差项简化为 $O(x^{7/11 + \epsilon} \log^7 x)$，与希斯-布朗原始结果一致，从而验证了推广的正确性。
• 新误差指数 $\frac{14}{7s+8}$ 比卡尔茨的 $\frac{2}{s+1}$ 改进 $O(1/s^2)$，代表了显著的定量提升。
• 改进主要源于特征和估计中获得的 $p^{1/2}$ 节省，该节省在对 $u$ 求和后转化为 $U^{1/2}$ 节省，代价为对数因子。
• 方程 $j^s u \pm 1 = k^s v$ 的解数的界 $N \ll x(J^{-s}K + (JK)^{1-s})(\log x)^{s-1}$ 在平衡误差项中起关键作用。
• 最终误差项由 $x^{\frac{14}{7s+8}+\epsilon}$ 主导，且通过最优参数选择可证明其余所有项均为渐近更小。