结果族 011：Prime-factor statistics of
@@M@@p-1@@· 学科：Number theory · 验证状态：暂无形式化证明，请以社区核验为准
把一根一米长的棍子随机折断，断出的各段长度有一条著名的统计规律。这篇论文证明数论世界也有同样的”折棍定律”：随机取一个大素数 @@M@@p@@，把 @@M@@p-1@@ 分解成素因子，每个因子的对数占 @@M@@\log(p-1)@@ 的比例——这些比例按大小排好后，恰恰服从那条折棍分布。它证明了 Ford–Konyagin–Luca 在 2010 年提出的猜想。
关键词卡片
@@M@@p@@ 的前一项 @@M@@p-1@@。@@M@@\mathrm{PD}(1)@@）：随机折棍所得、按长短降序排列的片段长度的极限分布。@@M@@P^+@@）：分解中最大的素数，对应最长的一截棍子。@@M@@\rho@@）：度量”一个数的素因子都不超过某界”概率的经典函数。看个具体例子
取 @@M@@p=211@@，则 @@M@@p-1=210=2\times3\times5\times7@@。四个因子的对数占比约为 @@M@@36\%、30\%、21\%、13\%@@，正好把”对数棍子”切成四段。主定理断言：让 @@M@@p@@ 在不超过 @@M@@x@@ 的素数里均匀抽取并让 @@M@@x\to\infty@@，这类比例向量的统计规律收敛到 @@M@@\mathrm{PD}(1)@@；由最大一段还能读出 Granville 的移位 Dickman 猜想。
为什么值得关心
普通整数的折棍规律半个多世纪前已经清楚，换成”素数的前一项”却难得多——本文在不附加任何猜想的前提下完成了完整刻画。
暂无形式化证明（AI 结果待核验）
第一级台阶
入门导读的核心图景是”折棍”：把一根单位长的棍子逐次随机折断，把各段按长短排好，就得到一个经典的随机比例序列。数论这边，操作对象是素数的前一项：把它分解成素因子，每个因子的”对数长度”在总对数中占一份，全体因子恰好铺满整根棍子。要问的正是：这串比例的统计规律，是否与折棍所得一致。
第二级台阶
用本科术语定下主角：对素数 p≥3，把 p-1 的素因子按重数降序排为 q₁(p)≥q₂(p)≥…，并令 V_j(p)=log q_j(p)/log(p-1)，则各 V_j 非负且总和为 1，构成单位质量的一个分拆。折棍那边，取独立均匀随机变量 U₁,U₂,…，令首段 B₁=1-U₁、后续段 B_j 等于前诸 U 之积乘以 (1-U_j)，其降序重排 (L₁,L₂,…) 服从参数一的 Poisson–Dirichlet 分布 PD(1)。
第三级台阶
定理在如下语境陈述：对不超过 x 的素数取等权平均（π(x) 为素数个数），结论是对每个固定维数 k 与有界连续函数 F，F(V₁,…,V_k) 的素数平均趋于 F(L₁,…,L_k) 的期望，且沿一切实数 x→∞。”固定 k”挡住的麻烦是：命题只宣称一切有限维联合分布，而非更强的过程级收敛。背景上，普通整数的对应定律早由 Billingsley 与 Donnelly–Grimmett 建立，困难集中在移位素数：要求大素数之积整除 p-1 等于把 p 关进超大模数的剩余类，超出已知分布水平。姊妹篇的光滑前驱下界只给 x^{1-o(1)} 个例，不蕴含正比例，更不蕴含本定律；本文定理无条件覆盖坐标和小于一的开单形紧子集，并以概率论证控制边界逃逸，从而完整给出 PD(1)。
证明了素数前驱的因子定律：均匀取素数 @@M@@p\le x@@，把 @@M@@p-1@@ 的素因子（计重数）降序排列，其对数除以 @@M@@\log(p-1)@@ 后依一切有限联合分布收敛到参数为一的 Poisson–Dirichlet 律 @@M@@\mathrm{PD}(1)@@，解决了 Ford–Konyagin–Luca 猜想与 Granville 的移位 Dickman 猜想。
一个典型整数的素因子取对数后构成单位质量的一个随机分拆（random partition）；对均匀取的整数，这个极限分拆早已由光滑数（smooth number）理论、Billingsley 的联合极限定律与 Donnelly–Grimmett 的折棍（stick-breaking）构造完全刻画。把整数换成素数的前驱（predecessor）@@M@@p-1@@ 后难度陡增：要求一串大素数之积整除 @@M@@p-1@@，等于把 @@M@@p@@ 关进以该乘积为模的剩余类，而已有的分布水平（level of distribution）型估计只覆盖 @@M@@x@@ 的固定幂以下的模数，完整的因子分拆却要用到整个 @@M@@x@@ 以下的乘积。Ford、Konyagin、Luca 在 2010 年研究素数链与 Pratt 树时猜想：前驱的规整因子序列收敛于 @@M@@\mathrm{PD}(1)@@。此前最好的无条件结果只是 @@M@@x/(\log x)^C@@ 量级的下界（Baker–Harman、Lichtman 的光滑前驱定理）；Bharadwaj–Rodgers 证明该定律在 Elliott–Halberstam 猜想之下成立，无条件仅得到对数坐标和小于 @@M@@1/2@@ 的部分区域，而本文达到了坐标和小于 @@M@@1@@ 的整个开单形的紧子集。
主定理：设 @@M@@p\ge3@@ 为素数，把 @@M@@p-1@@ 的素因子按重数降序排为 @@M@@q_1(p)\ge q_2(p)\ge\cdots@@（取尽后令 @@M@@q_j=1@@），令 @@M@@V_j(p)=\log q_j(p)/\log(p-1)@@，则 @@M@@V_j(p)\ge0@@ 且 @@M@@\sum_jV_j(p)=1@@。对每个固定 @@M@@k\ge1@@ 与有界连续函数 @@M@@F:[0,1]^k\to\mathbb{R}@@，
@@M@@D\lim_{x\to\infty}\frac1{\pi(x)-1}\sum_{\substack{3\le p\le x\\ p\ \mathrm{prime}}}F\bigl(V_1(p),\ldots,V_k(p)\bigr)=\mathbb{E}F(L_1,\ldots,L_k),@@
其中 @@M@@(L_1,L_2,\ldots)@@ 是折棍片段 @@M@@B_1=1-U_1@@、@@M@@B_j=\bigl(\prod_{i<j}U_i\bigr)(1-U_j)@@（@@M@@U_i@@ 为独立均匀随机变量）的降序重排，即参数一的 Poisson–Dirichlet 分布 @@M@@\mathrm{PD}(1)@@；极限对一切实 @@M@@x\to\infty@@、按素数等权成立。由最大分量即可读出 Granville 的猜想：对固定 @@M@@u\ge1@@，@@M@@\#\{p\le x:P^+(p-1)\le x^{1/u}\}\sim\pi(x)\rho(u)@@，其中 @@M@@P^+@@ 是最大素因子、@@M@@\rho@@ 是 Dickman 函数（Dickman function）；@@M@@L_1@@ 本身服从连续 Dickman 分布。这比原先只涉及最大因子的单点预言更强，给出全部有限维联合分布。
证明分四层。第一层是”内部统计”定理：取 @@M@@d@@ 个素数槽区间（下端 @@M@@\ge x^\varepsilon@@、上端之积 @@M@@\le x^{1-\varepsilon}@@），记 @@M@@f_x(u)@@ 为槽中互异素数 @@M@@d@@ 元组之积整除 @@M@@u@@ 的个数、@@M@@C_x=\sum 1/\ell_1\cdots\ell_d@@ 为期望主项，证明 @@M@@\sum_p\Phi((p-1)/x)(f_x(p-1)-C_x)=o(x/\log x)@@。第二层是两个新的解析估计。其一是一侧带标记的 Type II 估计：只在前驱端 @@M@@mn-1@@ 挂上记录小素数因子的除子标记（权重 @@M@@\mathcal W@@），并允许把另一侧的素数换成粗糙整数（rough integer）。先经预筛与 Cauchy 平方，把计数问题化为原始（primitive）格向量间的小行列式关系 @@M@@t=bmn-ars=b-a@@；再用根剩余公式——原始向量模 @@M@@S@@ 在 @@M@@\mathrm{SL}_2(\mathbb{Z}/S\mathbb{Z})@@ 中一致分布，其证明只靠一个初等的 Kloosterman 型四次矩估计——把根平均替换为独立射影线模型，每条线命中概率 @@M@@1/(p+1)@@。关键的”记忆展开”（memory expansion）把长路径写成算子历史：素数在两次使用之间作为待定粒子储存，其整除概率只记一次；干净边（clean edge）靠格箱上行列式指数和的范数衰减（Dirichlet 逼近加几何和估计），脏边（dirty edge）靠良好状态的相位分离做绝对估计，出生互异最后按等式约束的”秩”分级恢复——高秩提供许多小概率因子，低秩只扰动极少量边。其二是两侧带标记的相关估计：调用姊妹篇的加权膨胀图（weighted dilation graph）转移定理，新端点 Fourier 估计分频段处理——低 Mellin 频率用截断除子模型使中心化直接消去主项，高频率用小素数多项式圈出稀疏例外时刻集（Matomäki–Radziwiłł 策略），正元组项再由长素数多项式控制。第三层是抽取：先用块筛预筛掉小素数，再把复合项的每个素数槽换成粗糙代理，对候选组做”成功抛币”并以 Chebyshev 保证多数成功，使复合项落入两侧估计；最后对多个不相交标记阵列取均方消去标记，得到素数的内部阶乘矩渐近。第四层是概率过渡：矩形上的阶乘测度（factorial measure）收敛于 Dickman 强度 @@M@@\prod\dd t_i/t_i@@；顺序偏大小抽样（size-biased sampling）把内部测度化为总质量为一的密度，三角变换 @@M@@A_i=t_i/(1-t_1-\cdots-t_{i-1})@@ 恰好把它识别为折棍片段并排除边界逃逸；未取质量的期望 @@M@@2^{-d}@@ 控制排序误差，有限二进分解把单个 dyad 的结论拼合到一切实上端。
本文主结果暂无 Lean 形式化证明。姊妹篇《Weighted dilation graphs, smooth shifted primes and totient fibers》提供膨胀图算子输入（该篇同时证得 Erdős 的 Euler @@M@@\varphi@@ 函数最大纤维猜想），两文共用长素数多项式与对数相位估计（本文附录）；族内第三篇则证明存在无穷多个素数使 @@M@@\mu(p-1)=1@@。按 OpenAI 官方声明，未经形式化的结果可能存在问题，请以社区核验为准。
问 1：证明中最关键、最脆弱的一环在哪里？
（答：是新的单侧带标记 Type II 估计（定理 type-II）：Cauchy 不等式把计数化为原始格向量间的小行列式关系，再用根剩余公式（仅靠初等 Kloosterman 型四次矩）与”精确记忆展开”处理长符号矩——素数在两次使用之间被记一次整除概率。第 3–4 节的行列式几何与记忆恒等式是全文独有部分，验证缺口最可能藏在这里。）
问 2：为什么内部阶乘矩只在”坐标和小于一”的开单形紧子集上得到，边界怎么办？
（答：这是分布水平的硬限制：大素数之积整除 p-1 会把 p 关入超出 x 固定幂的剩余类，已知估计够不着。论文的处理是最后一层的概率过渡：顺序大小抽样把内部测度化为总质量一的密度，三角变换识别出折棍片段并排除边界逃逸，未取质量期望 2^{-d} 控制排序误差。引言明言”仅受限支撑的矩公式并不等于定理 1.1 的陈述”，这步被显式补全。）
问 3：姊妹篇已给出 x^{1-o(1)} 个光滑前驱素数，为何还不算证明本定律？
（答：引言直说：这样的下界不蕴含正极限比例，更不蕴含一切有限联合分布。本文复用姊妹篇的膨胀图算子定理，但在不同的抽取论证中验证了新的端点 Fourier 假设——低频用截断除子模型、高频用小素数多项式圈出稀疏例外集——这是超出姊妹篇的新工作。）
问 4：与 Bharadwaj–Rodgers 的定理相比，真正的新意是什么？
（答：他们的 PD 定理需要 level 1 分布，对移位素数即 Elliott–Halberstam 猜想；无条件只有 level 1/2，覆盖坐标和小于 1/2 的区域。本文无条件达到坐标和小于 1 的整个紧子集并控制边界，等于把完整定律从 EH 之下解放出来。）
问 5：AI 生成证明在此篇最可能的出错模式？
（答：三处高危：记忆展开号称”精确恒等式”，若展开与根分离条件（定量分离给出新鲜标签次弧的格箱）不匹配会整体失效；按等式约束”秩”分级恢复标签互异时，高秩省概率、低秩只扰动少量边的二分若量级算错便出漏洞；抽取层用 Chebyshev 保证多数标记组”成功”，方差控制是隐性依赖。）
问 6：谁会用到这个结果，边界在哪里？
（答：引言点名 Ford–Konyagin–Luca 的素数链与 Pratt 树：本定理提供其概率模型根部的因子分解定律，但后续世代的递归独立性仍是附加假设，论文未展开；由最大分量可读出 Granville 固定 u 的移位 Dickman 猜想，光滑前驱亦与 Carmichael 数构造相关。）
总评
把 Ford–Konyagin–Luca 猜想从 Elliott–Halberstam 的保护伞下无条件取出，并升级为完整联合定律，这是实打实的分量；最大风险集中在记忆展开—秩分级这套全新组合机械的量级衔接，属于必须逐节核验的 AI 手稿。