Lý thuyết Bernstein địa phương và giới hạn dưới của hằng ...

Tôi vừa tải lên arXiv bài viết của mình “Lý thuyết Bernstein cục bộ và giới hạn dưới của hằng số Lebesgue“. Bài viết này ban đầu được thúc đẩy bởi bài toán của Erdős} về nội suy Lagrange, nhưng trong quá trình giải quyết vấn đề đó, cuối cùng tôi đã sửa đổi một số lập luận rất cổ điển của Bernstein và những người cùng thời với ông (Boas, Duffin, Schaeffer, Riesz, v.v.) để có được các phiên bản “cục bộ” của “kiểu Bernstein” cổ điển này bất bình đẳng” có thể có lợi ích độc lập.

Bernstein đã chứng minh nhiều ước tính liên quan đến đạo hàm của đa thức, đa thức lượng giác và toàn bộ hàm số mũ, nhưng có lẽ bất đẳng thức nổi tiếng nhất của ông theo hướng này là:

Bổ đề 1 (Bất đẳng thức Bernstein cho đa thức lượng giác) Hãy để ${P: {\bf R} \rightarrow {\bf C}}$ tối đa là đa thức lượng giác bậc ${n}$ , with ${|P(x)| \leq A}$ for all ${x}$ . Sau đó ${|P'(x)| \leq n A}$ cho tất cả ${x}$ .

Những bất bình đẳng tương tự liên quan đến ${L^p}$ Các chuẩn mực đạo hàm của các thành phần hàm Littlewood-Paley hiện nay có mặt khắp nơi trong lý thuyết hiện đại về PDE phân tán phi tuyến tính (trong đó chúng còn được gọi là ước lượng Bernstein), nhưng đây sẽ không phải là trọng tâm của bài viết này.

Một đa thức lượng giác ${P}$ mức độ ${n}$ là của loại hàm mũ ${n}$ theo nghĩa là ${P(z) = O(\exp(n|z|))}$ cho phức tạp ${z}$ . Bernstein trên thực tế đã chứng minh một kết quả tổng quát hơn:

Bổ đề 2 (Bất đẳng thức Bernstein cho hàm số mũ) Hãy để ${f: {\bf C} \rightarrow {\bf C}}$ tối đa là toàn bộ hàm thuộc loại hàm mũ ${\lambda}$ , with ${|f(x)| \leq A}$ for all ${x \in {\bf R}}$ . Sau đó ${|f'(x)| \lambda A}$ cho tất cả ${x \in {\bf R}}$ .

Có một số bằng chứng về bổ đề này – ví dụ xem cuộc khảo sát này của Queffélec và Zarouf. Trong trường hợp ${f}$ có giá trị thực trên ${{\bf R}}$ , có một bằng chứng thú vị của Duffin và Schaeffer mà chúng tôi phác họa như sau. Giả sử chúng ta bình thường hóa ${A=\lambda=1}$ và điều chỉnh ${f}$ bằng hệ số giảm chấn phù hợp sao cho ${f(z)}$ thực tế phân rã chậm hơn ${\exp(|z|)}$ as ${z \rightarrow \infty}$ . Sau đó, đối với bất kỳ ${0 < \alpha < 1}$ and ${x_0 \in {\bf R}}$ , người ta có thể sử dụng định lý Rouche để chỉ ra rằng hàm ${\cos(x-x_0) - \alpha f(x)}$ có cùng số số 0 như ${\cos(x-x_0)}$ trong một hình chữ nhật lớn phù hợp; nhưng mặt khác người ta có thể sử dụng định lý giá trị trung gian để chỉ ra rằng ${\cos(x-x_0) - \alpha f(x)}$ có ít nhất nhiều số 0 hơn ${\cos(x-x_0)}$ trong cùng một hình chữ nhật. Trong số những thứ khác, điều này ngăn cản việc xảy ra các số 0 kép, điều này hóa ra mang lại xác nhận quyền sở hữu mong muốn ${|f'(x)| \leq 1}$ sau một số phép tính thông thường (trên thực tế người ta thu được giới hạn mạnh hơn ${|f(x)|^2 + |f'(x)|^2 \leq 1}$ cho tất cả ${x}$ ).

Kết quả chính đầu tiên của bài viết là thu được các phiên bản bản địa hóa của Bổ đề 2 (cũng như một số ước tính liên quan). Nói một cách đại khái, những ước tính này khẳng định rằng nếu ${f}$ là chỉnh hình trên một hình chữ nhật mỏng, rộng đi qua trục thực, được giới hạn bởi ${A}$ trên giao điểm của trục thực với hình chữ nhật này và là “cục bộ thuộc loại hàm mũ” theo nghĩa là nó được giới hạn bởi ${O(\exp( \lambda |\mathrm{Im} z|))}$ ở cạnh trên và dưới của hình chữ nhật này (và tuân theo một số điều kiện tăng trưởng rất nhẹ ở các cạnh còn lại của hình chữ nhật này), sau đó ${|f'(x)|}$ có thể được giới hạn bởi ${\lambda A}$ cộng với các lỗi nhỏ trên đường thực, cùng với một số ước tính bổ sung ngoài đường thực cũng có sẵn. Việc chứng minh tiến hành bằng cách sửa đổi lập luận Duffin–Schaeffer, cùng với định lý hai hằng số của Nevanlinna (và một số ước lượng tiêu chuẩn về số đo điều hòa trên hình chữ nhật) để giải quyết ảnh hưởng của việc định vị. (Xin lưu ý thêm, đối số sau này được ChatGPT cung cấp cho tôi bởi ChatGPT, vì trước đây tôi chưa biết đến định lý hai hằng số Nevanlinna.)

Khi người ta bản địa hóa “lý thuyết Bernstein” này, nó sẽ trở nên phù hợp để phân tích các đa thức (có căn thực, monic) ${P}$ ở mức độ cao ${n}$ , không bị giới hạn trên toàn cầu trên ${{\bf R}}$ (và tăng theo đa thức chứ không phải theo cấp số nhân ở vô cực), nhưng có thể biểu hiện hành vi “kiểu số mũ cục bộ” trong các khoảng khác nhau, đặc biệt là ở các vùng có thế logarit

hoạt động giống như một chức năng trơn tru (ở đây ${\mu = \frac{1}{n} \sum_{j=1}^k \delta_{x_j}}$ là thước đo thực nghiệm của nghiệm ${x_1,\dots,x_n}$ trong số ${P}$ ). Một ví dụ điển hình là đa thức Chebyshev (monic) ${2^{1-n} T_n(x)}$ , hoạt động cục bộ giống như các hình sin trong khoảng ${[-1,1]}$ (và thuộc loại hàm mũ cục bộ ở trên và dưới khoảng này):

Điều này trở nên có liên quan trong lý thuyết nội suy Lagrange. Hãy nhớ lại rằng nếu ${x_1 < \dots < x_n}$ là số thực và ${Q}$ là đa thức bậc nhỏ hơn ${n}$ thì người ta có công thức nội suy

trong đó các hàm cơ sở Lagrange ${\ell_j(z)}$ được xác định bởi công thức

$\displaystyle \ell_k(z) := \prod_{i \neq k} \frac{z - x_i}{x_k - x_i}.$

Xét về đa thức monic ${P(z) := \prod_{j=1}^n (z-x_j)}$ , chúng ta có thể viết

Tính chất ổn định và hội tụ của phép nội suy Lagrange có liên quan chặt chẽ với hàm Lebesgue

và trong một khoảng thời gian nhất định ${I}$ , số lượng ${\sup_{x \in I} \Lambda(x)}$ được gọi là Hằng số Lebesgue cho khoảng đó.

Nếu người ta chọn các điểm nội suy ${x_1,\dots,x_n}$ kém rồi hằng số Lebesgue có thể cực kỳ lớn. Tuy nhiên, nếu chọn những điểm này làm nghiệm của đa thức Chebyshev monic nói trên thì ta biết rằng ${\sup_{x \in I} \Lambda(x) = \frac{2}{\pi} \log n - O(1)}$ cho tất cả các khoảng thời gian cố định ${I}$ in ${[-1,1]}$ . Trong trường hợp ${I = [-1,1]}$ , Erdős} đã chỉ ra rằng đây là giá trị tốt nhất có thể có của hằng số Lebesgue cho đến ${O(1)}$ lỗi nội suy trên ${[-1,1]}$ , do đó

bất cứ khi nào ${-1 \leq x_1 < \dots < x_n \leq 1}$ (giới hạn chính xác hơn là sau này được hiển thị bởi Vertesi). Erdős và Turán sau đó hỏi liệu có cùng giới hạn dưới không

$\displaystyle \sup_{x \in I} \Lambda(x) \geq \frac{2}{\pi} \log n - O(1) \ \ \ \ \ (1)$

được giữ trong những khoảng thời gian chung hơn ${I}$ . Điều này được thể hiện trong bài báo của chúng tôi; một biến thể tích phân giới hạn

$\displaystyle \int_I \Lambda(x)\ dx \geq \frac{4}{\pi^2} |I| \log n - o(\log n) \ \ \ \ \ (2)$

cũng được thành lập, trả lời một câu hỏi riêng của Erdős. Các giới hạn dưới này trước đây đã đạt tới hằng số bởi Erdős và Szabados}; vấn đề chính là đạt được hằng số sắc nét trong số hạng chính.

Xét về đa thức monic ${P}$ , hai ước tính này có thể được viết dưới dạng

và

Sử dụng trực giác ${P}$ nên hoạt động cục bộ giống như một đa thức lượng giác và thực hiện một số phép tái chuẩn hóa, người ta có thể rút ra bài toán đồ chơi sau để xử lý trước:

Vấn đề 3 Hãy để ${P: {\bf R} \rightarrow {\bf R}}$ là đa thức lượng giác bậc ${n}$ with ${2n}$ rễ ${x_1 < \dots < x_{2n}}$ trong ${[0, 2\pi)}$ .

(i) Chứng minh rằng
$\displaystyle \sup_{x \in [0,2\pi)} \sum_{k=1}^{2n} \frac{|P(x)|}{|P'(x_k)|} \geq 2. \ \ \ \ \ (3)$

(ii) Chứng minh rằng
$\displaystyle \int_0^{2\pi} \sum_{k=1}^{2n} \frac{|P(x)|}{|P'(x_k)|}\ dx \geq 8. \ \ \ \ \ (4)$

Thật dễ dàng để kiểm tra xem giới hạn dưới của ${2}$ và ${8}$ sắc nét bằng cách xem xét trường hợp khi ${P}$ là hình sin ${P(x) = A \sin(n(x-x_0))}$ .

Giới hạn (3) là trực tiếp từ bất đẳng thức Bernstein ( Bổ đề 1). Bằng cách áp dụng phiên bản cục bộ của bất đẳng thức này, tôi đã có thể thu được phiên bản yếu của xác nhận quyền sở hữu (1) in which ${O(1)}$ đã được thay thế bằng ${o(\log n)}$ ; xem phiên bản đầu tiên này của bài viết, được phát triển thông qua các cuộc trò chuyện với Nat Sothanaphan và Aron Bhalla. Bằng cách kết hợp lập luận này với các ý tưởng từ tác phẩm cũ của Erdős}, tôi đã có thể thiết lập (1).

(2) bị ràng buộc đã khiến tôi mất nhiều thời gian hơn để thiết lập và liên quan đến việc thử nghiệm các công cụ AI. Câu chuyện mà tôi muốn chia sẻ ở đây là không hề đơn giản. Tôi đã phát hiện ra vấn đề về đồ chơi (4), nhưng ban đầu tôi không thể chứng minh được sự bất bình đẳng này; AlphaEvolve dường như đã xác nhận điều đó bằng số liệu (với các đường sin dường như là cực trị), nhưng không đưa ra manh mối trực tiếp về cách chứng minh điều này một cách chặt chẽ. Tại một thời điểm nào đó, tôi nhận ra rằng phía bên trái được phân tích thành các biểu thức ${\int_0^{2\pi} |P(x)|\ dx}$ và và cố gắng ràng buộc các biểu thức này một cách riêng biệt. Loạn quanh một hình sin ${A \sin(n(x-x_0))}$ , tôi đã có thể chỉ ra rằng ${L^1}$ định mức ${\int_0^{2\pi} |P(x)|\ dx}$ là mức tối thiểu cục bộ miễn là nó chỉ bị nhiễu bởi các chế độ Fourier bậc thấp hơn, giữ tần số ${n}$ hệ số không thay đổi. Đoán rằng mức tối thiểu cục bộ này thực sự là mức tối thiểu toàn cầu, điều này khiến tôi phỏng đoán giới hạn dưới chung

$\displaystyle \int_0^{2\pi} |P(x)|\ dx \geq 4 |a_n+ib_n|$

bất cứ khi nào ${P}$ là một bằng cấp ${n}$ đa thức lượng giác với các thành phần tần số cao nhất ${a_n \cos(nx) + b_n \sin(nx)}$ . AlphaEvolve đã xác nhận bằng số học sự bất đẳng thức này cũng có khả năng đúng. Tôi vẫn chưa biết cách chứng minh bất đẳng thức này nhưng tôi quyết định thử vận may đưa nó cho ChatGPT Pro , nó đã nhận ra nó là ${L^1}$ vấn đề gần đúng và cho tôi một bằng chứng dựa trên tính đối ngẫu (cuối cùng dựa trên sự mở rộng Fourier của sóng vuông). Với một số cuộc thảo luận sâu hơn, tôi đã có thể điều chỉnh bằng chứng này cho phù hợp với các hàm thuộc loại hàm mũ toàn cục (thay thế các thao tác Fourier bằng các đối số dịch chuyển đường viền, theo tinh thần của định lý Paley-Wiener), nói một cách đại khái đã mang lại cho tôi một nửa những gì tôi cần để thiết lập (2). Tuy nhiên, tôi vẫn cần giới hạn dưới phù hợp

về yếu tố khác trong vấn đề đồ chơi. Một lần nữa, AlphaEvolve có thể xác nhận bằng số liệu rằng sự bất bình đẳng này có thể đúng , nhưng hiện tại số lượng tôi đang cố kiểm soát có vẻ không lồi hoặc tuyến tính trong ${P}$ , và do đó phương pháp đối ngẫu trước đó dường như không được áp dụng. Lúc này tôi chuyển sang dùng bút và giấy; cuối cùng tôi nhận ra rằng biểu thức gần giống như một tổng của các phần dư, và cuối cùng sau khi thử nghiệm với các tích phân đường viền của ${\frac{e^{inz}}{P(z)}}$ bằng cách sử dụng định lý thặng dư, tôi đã có thể thiết lập (4), và sau đó với một chút nỗ lực (con người) hơn một chút, tôi có thể chuyển từ bài toán đồ chơi trở lại bài toán ban đầu để thu được (2). Rất có thể các công cụ AI cũng có thể hỗ trợ các bước này, nhưng chúng không cần thiết ở đây; Giá trị chính của chúng đối với tôi là nhanh chóng xác nhận rằng phương pháp mà tôi nghĩ đến là hợp lý về mặt số lượng và nhận ra kỹ thuật phù hợp để giải quyết một phần của vấn đề đồ chơi mà tôi đã tách ra. (Tôi cũng đã sử dụng các công cụ AI cho một số nhiệm vụ phụ khác, chẳng hạn như đánh giá tài liệu, hiệu đính và tạo hình ảnh, nhưng những ứng dụng AI này đã phát triển đến mức việc sử dụng chúng cho mục đích này gần như trở nên nhàm chán.)

Lý thuyết Bernstein địa phương và giới hạn dưới của hằng số Lebesgue