[论文解读] Some information-theoretic computations related to the distribution of prime numbers

Ioannis Kontoyiannis|ArXiv.org|Oct 22, 2007

Computability, Logic, AI Algorithms参考文献 15被引用 3

一句话总结

本文通过信息论方法，利用随机整数分解中素因子指数的近似独立性，给出了渐近结果 $\sum_{p\leq n}\frac{\log p}{p} \sim \log n$ 的信息论证明，其中 $n \to \infty$。通过结合基于熵的下界与上界，建立了严格的有限 $n$ 有界，为与素数定理相关的经典数论结果提供了新颖且初等的推导。

ABSTRACT

We illustrate how elementary information-theoretic ideas may be employed to provide proofs for well-known, nontrivial results in number theory. Specifically, we give an elementary and fairly short proof of the following asymptotic result: The sum of (log p)/p, taken over all primes p not exceeding n, is asymptotic to log n as n tends to infinity. We also give finite-n bounds refining the above limit. This result, originally proved by Chebyshev in 1852, is closely related to the celebrated prime number theorem.

研究动机与目标

• 通过信息论原理，为渐近关系 $\sum_{p\leq n}\frac{\log p}{p} \sim \log n$ 提供一种新的初等证明。
• 建立对这一渐近结果的有限-$n$ 有界，改进经典估计。
• 展示熵与概率建模在数论中的实用性，特别是分析素数分布时。
• 通过展示整数分解的熵如何揭示素数和的行为，弥合信息论与数论之间的鸿沟。

提出的方法

• 通过其素因子分解 $N = \prod_{p \leq n} p^{X_p}$ 建模一个在 $\{1, \dots, n\}$ 上均匀分布的随机整数 $N$，从而在指数 $X_p$ 上诱导出联合分布。
• 利用 $N$ 的熵等于指数 $\{X_p\}$ 的熵这一事实，因此 $H(N) = \log n = H(X_p : p \leq n)$。
• 将 $X_p$ 的分布近似为几何分布，并将联合分布近似为相互独立，从而得到熵的不等式 $\log n \approx \sum_{p \leq n} H(X_p)$。
• 利用熵近似与分部求和恒等式，推导出 $C(n) = \sum_{p \leq n} \frac{\log p}{p}$ 的下界。
• 通过引入平方自由分解 $N = M^2 \prod p^{Y_p}$（其中 $Y_p \in \{0,1\}$）的精细熵论证，建立上界，以控制 $H(M)$ 和 $H(Y_p)$。
• 结合下界与上界，严格证明 $C(n) \sim \log n$，并导出有限-$n$ 不等式。

实验结果

研究问题

• RQ1 能否利用信息论中的熵论证来证明数论中的经典结果，例如 $\sum_{p \leq n} \frac{\log p}{p}$ 的渐近行为？
• RQ2 如何利用随机整数分解中素因子指数的近似独立性，来推导素数和函数的有界？
• RQ3 能否通过基于熵的推理，为 $\sum_{p \leq n} \frac{\log p}{p}$ 建立有限-$n$ 有界？
• RQ4 基于熵的方法能否在不依赖复分析的前提下，为切比雪夫结果提供一种新的初等证明？

主要发现

• 本文仅使用初等信息论论证与熵恒等式，证明了当 $n \to \infty$ 时，$\sum_{p \leq n} \frac{\log p}{p} \sim \log n$。
• 建立了有限-$n$ 下界：$C(n) \geq \left(1 - \frac{1}{16}\right)\left(1 - \frac{1}{1 + \log 16}\right)\log n + C(16) - T(16)$，对所有 $n \geq 16$ 成立，其中 $C(16) \approx 3.05$。
• 通过下确界极限不等式确认了渐近等价性：$\liminf_{n \to \infty} \frac{C(n)}{\log n} \geq \frac{(N_0 - 1)\log N_0}{N_0(1 + \log N_0)}$，对任意 $N_0 \geq 2$ 成立，取 $N_0 \to \infty$ 可得完整的渐近结果。
• 该证明依赖于随机变量 $N$ 的熵等于 $\log n$，且指数 $X_p$ 的熵近似为几何分布的熵。
• 该方法避免了复分析，为历史上由切比雪夫证明的结果提供了自包含的信息论推导。
• 该方法还导出了素数计数函数的新下界：对所有 $n \geq 2$，有 $\pi(n) \geq \frac{\log n}{2\log 2}$，该结果源自对 $N$ 的平方自由分解。