Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
関数等式と双対性
Search
Naoya Umezaki
October 20, 2019
Science
890
1
Share
Embed
Copy iframe code
Copy JS code
Copy link
Start on current slide
関数等式と双対性
ロマンティック数学ナイトプライム@ゼータでの発表
https://mathparty.localinfo.jp/
Naoya Umezaki
October 20, 2019
More Decks by Naoya Umezaki
See All by Naoya Umezaki
証明支援系LEANに入門しよう
unaoya
2
4.6k
ミケル点とべズーの定理
unaoya
0
1.1k
すうがく徒のつどい@オンライン「ラマヌジャンのデルタ」
unaoya
0
810
合同式と幾何学
unaoya
0
2.3k
すうがく徒のつどい@オンライン「ヴェイユ予想とl進層のフーリエ変換」
unaoya
0
980
Egisonパターンマッチによる彩色
unaoya
1
680
直交多項式と表現論
unaoya
0
1k
導来代数幾何入門
unaoya
0
1.2k
作図と対称性
unaoya
0
300
Other Decks in Science
See All in Science
Snowflake HCLS Meet Upヘルスケアユーザー会紹介
ktatsuya
0
120
生成AI・プレプリント時代における 研究成果公開の再設計 ― トップカンファレンス文化はどこへ向かうのか / Redesigning the Dissemination of Research Outputs in the Age of Generative AI and Preprints — Where Is the Top-Conference Culture Heading?
ykiyota
0
29k
Van Dare naar Durf
voginip
0
270
サンプル対応のない複数遺伝子発現プロファイルに対するテンソル分解型統合解析の要約
tagtag
PRO
0
230
TypeScript で WebAssembly を用いた 型安全なプラグイン設計
nagano
2
590
プロジェクト「Azayaka」のSARの数式とジオメトリ
syuchimu
0
410
(CVPR2026) Back to Basics: Let Denoising Generative Models Denoise
shumpei777
0
250
ハミルトン・ヤコビ方程式の解の性質と物理的意味
enakai00
0
850
チュートリアル:世界モデル
hf149
0
2k
機械学習 - 授業概要
trycycle
PRO
0
570
ダメな自分の育て方―性格タイプの「劣等機能」から理解するニガテ克服術
ppillc
0
320
データベース11: 正規化(1/2) - 望ましくない関係スキーマ
trycycle
PRO
0
1.6k
Featured
See All Featured
Beyond borders and beyond the search box: How to win the global "messy middle" with AI-driven SEO
davidcarrasco
3
200
How to optimise 3,500 product descriptions for ecommerce in one day using ChatGPT
katarinadahlin
PRO
2
3.7k
Highjacked: Video Game Concept Design
rkendrick25
PRO
1
430
Designing for Performance
lara
611
70k
XXLCSS - How to scale CSS and keep your sanity
sugarenia
249
1.3M
Building a A Zero-Code AI SEO Workflow
portentint
PRO
0
650
Producing Creativity
orderedlist
PRO
348
40k
Exploring the relationship between traditional SERPs and Gen AI search
raygrieselhuber
PRO
2
4.2k
Marketing to machines
jonoalderson
1
5.6k
How to Ace a Technical Interview
jacobian
281
24k
ラッコキーワード サービス紹介資料
rakko
1
4.2M
Keith and Marios Guide to Fast Websites
keithpitt
413
23k
Transcript
ؔࣜͱରੑ ക࡚@unaoya 2019 10 ݄ 20 ϩϚϯςΟοΫֶφΠτϓϥΠϜˏθʔλ 1
Riemann ζ ζ(s) = ∞ n=1 n−s = p (1
− p−s)−1 ˆ ζ(s) = π−s/2Γ( s 2 )ζ(s) ͱ͓͘ͱɺؔࣜ ˆ ζ(s) = ˆ ζ(1 − s) ཱ͕ɻFourier มʢPoisson ެࣜʣΛ༻͍ͯࣔͤΔɻ 2
Dirichlet L ಋख f ͷ Dirhchlet ࢦඪ χ : Z
→ C χ(nm) = χ(n)χ(m)ɺn ͕ f ͱޓ͍ʹૉͳΒ χ(n) = 0ɻ Legendre ه߸ͳͲ͕ྫɻ L(χ, s) = ∞ n=1 χ(n)n−s = p (1 − χ(p)p−s)−1 શͯͷ n Ͱ χ(n) = 1 ͱ͢Δͱ Riemann ζ L(1, s) = ∞ n=1 n−s = p (1 − p−s)−1 3
ؔࣜ ˆ L(χ, s) = f s/2 χ Γ(χ, s)L(s,
χ) ͱ͢Δɻf1 = 1, Γ(s, 1) = π−s/2Γ(s) Ͱ͋Δɻ ˆ L(χ, 1 − s) = W (χ)ˆ L(χ, s) ิਖ਼߲ W (χ) ͕ଘࡏ͢ΔɻFourier มʢPoisson ެࣜʣΛ༻͍ ͯࣔͤΔɻ 4
Dedekind ζ ମ K ʹରͯ͠ɺ ζK (s) = a (NK/Qa)−s
= p (1 − (NK/Qp)−s)−1 K = Q ͷ࣌ɺNQ/Q(p) = p ͳͷͰ ζK (s) = ζ(s) ͱͳΔɻ 5
ؔࣜ ˆ ζK (s) = |DK |s/2ΓK (s)ζK (x) ͱ͢ΔɻDK
K ͷผࣜͰ DQ = 1ɻΓQ(s) = π−s/2Γ( s 2 ) Ͱ ͋Δɻ ˆ ζK (s) = ˆ ζK (1 − s) 6
Hecke L ಋख f ͷ Hecke ࢦඪ χ : AK
→ C×ɻ͜Εͷಛผͳ߹͕ Dirichlet ࢦඪɻ L(χ, s) = p (1 − χ(πp)N(p)−s)−1 ʢѱ͍ૉͰमਖ਼͢Δɻ ʣ 7
ؔࣜ ˆ L(χ, s) = |DK |s/2f s/2 χ Γ(χ,
s)L(χ, s) ͱ͢Δͱɺؔࣜ ˆ L(χ, s) = W (χ)ˆ L(χ, 1 − s) Λຬͨ͢ɻΞσʔϧ্ͷ Fourier มΛ༻͍ͯࣔ͢ɻ 8
߹ಉ ζ ༗ݶମ্ͷଟ༷ମ X/Fq ͍͍ͩͨଟ߲ࣜ f = 0 Ͱఆ·Δਤܗɻ ͜Εͷղͷݸ
|X(Fqm )| Λ͑Δ͜ͱͰɺ Z(X, t) = exp ∞ m=1 |X(Fqm )|tm m ΛఆΊΔɻ d dt log(Z(X, t)) = m |X(Fqm )|tm Ͱ͋Δɻ ζX (s) = x∈X (1 − (Nx)−s)−1 = Z(X, q−s) ͱදࣔͰ͖Δɻ 9
ؔࣜ X ͷίϗϞϩδʔ Hi (X) ͷ Lefschetz ެࣜʹΑΓɺFrobenius ࡞ ༻ͷݻ༗ଟ߲ࣜΛ༻͍ͯ
Z(X, t) Λهड़Ͱ͖Δɻ Z(X, t) = det(1 − Frobt | H1(X)) · · · det(1 − Frobt | H2n−1(X)) det(1 − Frobt | H0(X)) · · · det(1 − Frobt | H2n(X)) ؔࣜ Z(X, 1 qnt ) = ±qnχ(X)/2tχ(X)Z(X, t) ζX (n − s) = ±qnχ(X)/2−χ(X)sζX (s) ཱ͕ɻίϗϞϩδʔͷ Poincare ରੑɻ 10
Hasse-Weil ζ ମ K ্ͷଟ༷ମ X ʹର͠ɺͦͷ i ࣍෦ Hi
(X) ʹରͯ͠ L(Hi (X), s) = p det(1 − Frobpp−s | Hi (X))−1 ʢѱ͍ૉͰमਖ਼͢Δɻ ʣ ˆ L(Hi (X), s) = Ns/2Γ(Hi (X), s)L(Hi (X), s) 11
ؔࣜ ؔࣜʢ༧ʣ ˆ L(Hi (X), s) = ±ˆ L(Hi (X),
i + 1 − s) Q ্ͷପԁۂઢ E Ͱ Wiles ͳͲʹΑΓূ໌͞Εͨɻ อܕܗࣜ fE Ͱ͋ͬͯ L ͕ؔҰக͢ΔͷΛ࡞Δɻอܕܗࣜ fE ͷ L ؔͷؔࣜ Hecke ͳͲʹΑΓ Fourier มͳͲΛ༻͍ ͯূ໌͞Ε͍ͯͨɻ 12
ℓ ਐͷ L X ͕༗ݶମ্ͷଟ༷ମɺF Λ ℓ ਐͱ͢Δɻ L(X, F,
t) = x det(1 − tdeg(x)Fx , F¯ x )−1 = det(1 − Frobt | H1(X, F)) · · · det(1 − Frobt | H2n−1(X, F)) det(1 − Frobt | H0(X, F)) · · · det(1 − Frobt | H2n(X, F)) F ͕ఆ Λ ͷͱ͖ɺ߹ಉθʔλɻ ۂઢ X ্ͷ f : Y → X ʹରͯ͠ɺF = Hi (Yx ) ℓ ਐͷྫɻ ؔࣜ L(X, F, t) = ε(X, F)t−χ(X,F)L(X, D(F), t−1) 13
ذͱ ε Ҽࢠ ѱ͍ૉͰͷ༷ࢠɺผࣜɺಋखɺؔࣜʹݱΕΔิਖ਼߲ͳͲ ͷใ͕ॏཁɻ ʢෆมྔͱͯ͠ڧྗɻ ʣ ذͷزԿతͳෆมྔͱͯ͠ಛੑαΠΫϧͱ͍͏ͷ͕͋Δɻಛ ੑαΠΫϧݩʑඍํఔࣜʢD Ճ܈ʣͷཧͰߟ͑ΒΕͨ
ͷͰɺذͷ༷ࢠΛهड़͢Δɻ ؔࣜͷ ε(X, F) ͱಛੑαΠΫϧͷؔ ఆཧ (U.-Yang-Zhao) det ρ(−ccX F) = ε(X, F ⊗ ρ) ε(X, F)dim ρ 14