# Lecture 07: Applications of the Large Sieve to Number Theory

Источник: https://www.youtube.com/watch?v=-UJgxLaFzfM
Канал: MIT OpenCourseWare
Опубликовано: 03.11.2025

---

## Применение Большого решета в теории чисел: лекция MIT OpenCourseWare
[[JUMP:0:11]]

В этой лекции, посвященной приложениям Большого решета (the Large Sieve) в теории чисел, подробно рассматривается теорема Бомбьери — Виноградова. Основной сюжет — изучение распределения простых чисел в арифметических прогрессиях и понимание того, как методы проективной теории помогают доказать, что для большинства модулей $Q$ простые числа распределены «почти равномерно».

### Распределение простых чисел и «дефект» равнораспределенности
[[JUMP:1:13]]

Традиционный вопрос теории чисел звучит так: насколько равномерно распределены простые числа $p \le n$ по классам вычетов $a \pmod Q$? Для анализа этого распределения вводится функция $\pi(n, Q, a)$, обозначающая количество простых чисел, сравнимых с $a$ по модулю $Q$.

Основное внимание уделяется случаям, когда $\gcd(a, Q) = 1$, так как при наличии общих множителей количество таких простых чисел конечно и не представляет интереса. Математики ожидают увидеть равномерное распределение, где количество простых чисел в каждом классе близко к $\pi(n) / \phi(Q)$.

Для количественного измерения отклонения от этого идеала вводится параметр $\Delta_Q(n)$, называемый «дефектом равнораспределенности»:

* $\Delta_Q(n) = \max_a \left| \pi(n; Q, a) - \frac{\pi(n)}{\phi(Q)} \right|$.
* Дирихле доказал, что для фиксированного $Q$ предел $\Delta_Q(n)$ стремится к нулю при $n \to \infty$.
* Результаты Зигеля и Вальфиша позволяют сделать эту оценку количественной, показывая, что $\Delta_Q(n)$ значительно меньше главного члена, если $Q$ ограничено логарифмической мощностью от $n$.

### Гипотеза Монтгомери и барьеры доказательств
[[JUMP:7:34]]

Экспериментальные данные и гипотеза Монтгомери предполагают гораздо более сильное псевдослучайное поведение распределения простых чисел. Согласно этой гипотезе, $\Delta_Q(n)$ должно быть крайне малым, пока $Q$ не превышает $n^{1-\epsilon}$.

Однако на сегодняшний день это недостижимо. Даже при условии принятия Обобщенной гипотезы Римана (GRH), математики могут доказать лишь частичное продвижение, обеспечивающее равнораспределенность для $Q < n^{1/2 - \epsilon}$. Невозможность доказать теорему для каждого конкретного $Q$ привела к смене стратегии: доказательству утверждений, верных для «большинства» $Q$.

### Теорема Бомбьери — Виноградова
[[JUMP:10:34]]

Этот результат, развивавший идеи Реньи, утверждает, что для любого $\epsilon > 0$ и любого $A > 0$:

* Сумма по $Q \le n^{1/2 - \epsilon}$ от $\Delta_Q(n)$ ограничена величиной $C_{\epsilon, A} \cdot n (\log n)^{-A}$.
* Информационно это означает, что для большинства $Q$ в указанном диапазоне простые числа распределены с высокой степенью равномерности, что по своей силе приближается к тому, что давала бы гипотеза Римана.

### Мультипликативная свертка как ключевой инструмент
[[JUMP:18:58]]

Сердцем доказательства является понятие **мультипликативной свертки**. В отличие от привычной аддитивной свертки, где складываются индексы, здесь рассматривается произведение $n_1 \cdot n_2 = n$.

Этот математический аппарат идеально описывает процесс «просеивания» (сита):

1.  Характеристическая функция простых чисел может быть представлена как результат многократных мультипликативных сверток с функциями $d_p$, которые «вычеркивают» кратные $p$.
2.  Проекция (редукция по модулю $Q$) является гомоморфизмом кольца, что позволяет успешно сочетать операции свертки и взятие проекций.

### Почему Большое решето критически важно?
[[JUMP:14:00]]

Большое решето позволяет доказать, что для произвольного набора чисел проекция по многим различным модулям $Q$ ведет себя очень предсказуемо.

* Однако теорема не верна для любого множества: можно сконструировать «плохое» множество, которое при проекции на каждый модуль имеет «взрывной» перекос в одном классе вычетов.
* Следовательно, доказательство должно опираться на специфическую природу простых чисел, а именно на их структуру мультипликативной свертки.

### Трудности и «потери» в доказательстве
[[JUMP:115:36]]

В ходе лекции автор честно признает, что аргументация содержит несколько «потерь» точности, которые делают доказательство не оптимальным:

* **Использование неравенства Коши — Буняковского:** Это самый «убыточный» шаг в доказательстве. При взятии $L_\infty$-нормы от свертки мы теряем информацию о взаимном сокращении положительных и отрицательных знаков, заменяя их простым применением неравенства треугольника.
* **Технические сложности с интервалами:** Для корректной работы метода необходимо разбивать числа на малые интервалы, что порождает проблему «мусора» на границах. Использование более узких интервалов помогает минимизировать этот эффект, но не устраняет его полностью.