陶哲轩新论文:部分证明著名素数猜想,新方法用到了自己的旧模型

人工智能 新闻
它证明了著名数学家埃尔德什·帕尔(Erdős Pál)提出的一个交错素数级数猜想,在哈代-李特尔伍德素数k元组猜想成立的条件下,是成立的。

本文经AI新媒体量子位(公众号ID:QbitAI)授权转载,转载请联系出处。

陶哲轩又发新论文了!

图片

这也是时隔一年,他再次独立发表新论文。(arXiv显示上一篇独作论文发表时间是在去年2月)

图片

这篇新论文依旧与陶哲轩钻研的数论领域有关。

它证明了著名数学家埃尔德什·帕尔(Erdős Pál)提出的一个交错素数级数猜想,在哈代-李特尔伍德素数k元组猜想成立的条件下,是成立的。

(当然,哈代-李特尔伍德素数k元组猜想也是一个悬而未解的猜想,因此这项研究只是部分证明,并没有完全解决)

这项研究,还用到了他在几年前与合作者共同提出的一个素数随机模型。

一起来看看。

证明了什么样的猜想?

核心来说,这篇新论文要证明的,是埃尔德什提出的一个关于交错素数级数收敛性的猜想。

这个猜想与一个长这样的交错级数有关,其中pn是第n个素数:

图片

交错级数,指的是项的符号是正负交替、而数值绝对值单调递减的无限级数。它的一般形式,大伙儿在学高数时应该都见过:

图片

交错级数并不一定收敛,因此需要具体级数具体判断,这次陶哲轩证明的就是交错级数中的一个特殊类型,即an是素数pn的倒数,这个级数是收敛的。

不过,还有个前提条件——在哈代-李特尔伍德素数k元组猜想成立的条件下。

哈代-李特尔伍德素数k元组猜想,由英国科学家哈代和李特尔伍德提出,它预测了给定差值集合的k个素数出现的频率。

猜想认为,存在两个绝对常数ε>0和C>0,对于所有x≥10、所有k≤(log log x)^5、和所有由不同整数h1,…,hk组成的k元组图片,这个式子成立:图片

不过,这个猜想至今尚未解决。

这次陶哲轩直接在假设它成立的基础上,证明了交错素数级数收敛性猜想的成立。整个过程大约可以分为四步:

首先,基于Van der Corput差分定理来降低素数计数间隔的长度。

由于证明这个猜想,实际上需要估计区间[1,x]内素数个数的奇偶性分布,因此使用差分定理的目的,能将它转化为仅考虑较短区间内素数个数奇偶性的问题。

转化为这个问题之后,实际上就能用哈代-李特尔伍德素数k元组猜想来证明问题成立。

因此,接下来论文在假设哈代-李特尔伍德素数k元组猜想成立的基础上,估计了短区间内k个素数的概率。

然后,陶哲轩使用几年前与两位数学家William Banks和Kevin Ford共同建立的随机素数模型,来建模素数分布。

最后基于这个模型建立的分布证明猜想。

这篇博客发出后不久,就有网友赶来点赞,表示自己也在从用另一种方法尝试解决这个猜想:

点赞!

我3周前刚在Thomas Bloom的网页上发现了这个猜想,不过只有这篇论文第一句话的内容。

我从计算(computational)的角度尝试搞定它。我把它看作是观察每个结果的偶数和奇数索引之间的差异,然后尝试进行曲线拟合,以确定差异可能为零的位置。

虽然不知道我的数据是否对解决这个问题有帮助,不过至少这提高了我的编程技能。

我还需要一些时间来消化你的论文,感谢!

图片

One More Thing

值得一提的是,2004年陶哲轩和本·格林(Ben Joseph Green)提出的著名格林-陶定理,也是基于埃尔德什·帕尔(Erdős Pál)另一个更著名的等差数列猜想而来。

其中,埃尔德什等差数列猜想如下:

图片

格林-陶定理进一步将猜想范围缩小到他们研究的素数范围内,相当于埃尔德什等差数列猜想的一个“特例”:

图片

埃尔德什为解决这个等差数列猜想悬赏了5000美元。

这些年除了陶哲轩以外,也有不少数学家致力于它的研究,例如Thomas Bloom和Olof Sisask。他们在2020年,证明了整数无穷数列一定包含长度至少为三的等差数列,将这个问题又向前推进了一步。

感兴趣的小伙伴们可以挑战一下了(手动狗头)

新论文地址:https://arxiv.org/abs/2308.07205

责任编辑:张燕妮 来源: 量子位
相关推荐

2023-12-16 12:47:59

2024-06-05 12:45:02

2024-01-31 13:04:00

AI数据

2024-10-14 14:31:36

2023-09-04 13:16:00

人工智能模型

2023-10-10 13:51:46

GPT-4GitHubAI

2024-06-06 19:07:14

2023-10-10 12:30:51

AI模型

2023-10-04 08:07:06

CopilotGitHub

2022-12-19 10:45:14

编程几何

2023-12-11 09:25:00

AI数学形式

2024-10-12 12:30:04

2023-12-06 13:44:00

模型训练

2023-06-30 13:42:44

2024-09-02 12:41:08

哈佛反向学习AI

2024-07-08 13:08:04

2024-06-17 08:45:00

2024-05-23 17:18:50

2023-09-02 11:21:54

代码ChatGPT

2015-08-21 09:14:40

大数据
点赞
收藏

51CTO技术栈公众号