结果族 096：The Gaussian propeller conjecture in every dimension · 学科：Convex and metric geometry · 验证状态：主结果已 Lean 形式化
往平面上撒一团雾：原点最浓、越远越稀，浓淡按钟形曲线（高斯）分布。现在随你把平面切成有限块——歪的、斜的都行——每块雾的”净漂移矢量”（块内所有位置按浓淡加权加总）先求长度平方，再把各块加起来，最大能到多少？论文证明上界是 @@M@@9/(8\pi)\approx0.358@@，而且最优切法就是三片张角 120° 的”螺旋桨”扇叶。
关键词卡片
@@M@@2\pi/3@@ 的三个扇形拼成的取等构型。看个具体例子
极坐标一算，就能看到 @@M@@9/(8\pi)@@ 从哪来：半张角 @@M@@\alpha@@ 的扇形，质心长度恰为 @@M@@\sin\alpha/\sqrt{2\pi}@@。取 @@M@@\alpha=\pi/3@@：每叶质心长 @@M@@\frac{\sqrt3/2}{\sqrt{2\pi}}\approx0.345@@，平方为 @@M@@\frac{3}{8\pi}@@；三叶相加：@@M@@3\cdot\frac{3}{8\pi}=\frac{9}{8\pi}\approx0.358@@。当维数 @@M@@d\ge2@@、胞格数 @@M@@\ge3@@ 时这已是最优常数；更高维无非把平面扇形再乘一个正交的欧氏因子，胞格数再多也占不到便宜。
为什么值得关心
这个常数不只是几何趣味：它决定核聚类近似算法的精确难度阈值——损失因子低于 @@M@@\frac{8\pi}{9}(1-\frac1k)@@ 的确定性多项式算法是 NP-难的，与已知的舍入保证恰好咬合。证明走反证法，把无限维优化压成有限项数值核对，全部比较有精确有理数区间证书兜底。
已 Lean 形式化
第一级台阶
导读的雾团把问题说得很直观：一团原点最浓、按钟形曲线变稀的概率质量铺在空间里，你任意把它切成有限块，每块都有一个”净漂移”——块内各位置按浓淡加权加总的指向矢量。要问的是：各块净漂移的长度平方加起来，最大是多少？对象是”一团质量加一个有限切法”，操作是”逐块求加权指向、取平方、求和”。
第二级台阶
用本科术语定形。标准高斯测度是密度按钟形曲线衰减的概率分布；可测集的一阶矩（质心）定义为位置向量对该测度的积分，注意不除以集合的概率；可测分割是把全空间分成有限个互不重叠的可测块。目标泛函即各胞格质心长度的平方和。一个基本观察来自 Khot–Naor：最优分割可取成”锥分割”——每块恰是某个线性得分最大的区域。
第三级台阶
主定理断言：对一切维数、胞格数与一切可测分割，该泛函不超过 9/(8π)；当维数至少二且胞格至少三时常数最优，由平面上三片张角 120° 的扇形乘以正交因子取等。假设一侧几乎无限制——胞格形状、概率、个数全部自由，只要求有限与可测，这正是难度所在；结论则是把一个无限维优化压到一个普适常数。证明走反证：极值分割必是锥分割，胞格数不超过四的情形落入已有三维定理的射程，剩余情形被一串概率质量与协方差的标量不等式逼入矛盾，全部数值比较有精确有理数区间证书兜底。
论文证明了高斯螺旋桨猜想（Gaussian propeller conjecture）：任何有限可测分割的各胞格高斯一阶矩长度平方之和不超过 @@M@@9/(8\pi)@@，当 @@M@@d\ge 2@@、@@M@@k\ge 3@@ 时由三个 @@M@@2\pi/3@@ 平面扇形取等，从而补全所有维度的缺口，并确立核聚类近似的精确难度阈值。
设 @@M@@\gamma_n@@ 为 @@M@@\mathbb R^n@@ 上的标准高斯测度。可测集 @@M@@A@@ 的高斯一阶矩 @@M@@z(A)=\int_A x\,d\gamma_n(x)@@ 称为质心（centroid），注意它不除以测度。对可测分割 @@M@@\mathcal A=(A_1,\dots,A_k)@@，问 @@M@@\mathcal F(\mathcal A)=\sum_i\|z(A_i)\|^2@@ 最大能到多少。该问题源于 Khot 与 Naor 对近似核聚类（kernel clustering）的研究：这个泛函的最优值直接决定近似算法的损失因子与 Unique Games 硬性。他们证明极值分割可取质心张成空间中的锥分割（conical partition），并确定了三胞格时的值；Heilman、Jagannath、Naor 又以计算机辅助的球面几何方法证得 @@M@@\mathbb R^3@@ 情形。悬而未决之处在于：这是一个无限维优化，胞格的形状与概率同时自由变化，胞格数也不固定；Heilman 的另一条路线还须附加噪声稳定性（noise stability）假设且限于至多四个胞格。
主定理：对一切正整数 @@M@@d,k@@ 与任意可测分割 @@M@@(A_1,\dots,A_k)@@，均有 @@M@@\sum_{i=1}^k\left\|\int_{A_i}x\,d\gamma_d(x)\right\|^2\le 9/(8\pi)@@，允许空胞格；当 @@M@@d\ge2,k\ge3@@ 时常数最优，由平面内张角 @@M@@2\pi/3@@ 的三个扇形——即”螺旋桨”——乘以正交欧氏因子取等。极坐标计算给出张角 @@M@@2\alpha@@ 的扇形之质心为 @@M@@\frac{\sin\alpha}{\sqrt{2\pi}}(1,0)@@，取 @@M@@\alpha=\pi/3@@ 求和即 @@M@@3\sin^2(\pi/3)/(2\pi)=9/(8\pi)@@。
对偶形式给出高斯最大值不等式的推论：@@M@@\mathbb E\max_i\langle v_i,g\rangle\le\frac{3}{2\sqrt{2\pi}}\bigl(\sum_i\|v_i-\bar v\|^2\bigr)^{1/2}@@，常数在平面三向量时已最优，于是任意有限中心化联合高斯向量的期望最大值都被同一常数控制。
最后一节是复杂性应用：固定 @@M@@k\ge3@@，对有理数、中心化、半正定（positive semidefinite）输入的恒等目标（identity-target）核聚类问题，结合 Khot–Naor 的低影响定理与姊妹篇《The Unique Games Theorem》，任何损失因子（loss factor）严格小于 @@M@@\alpha_k=\frac{8\pi}{9}(1-\frac1k)@@ 的确定性多项式近似算法都是 NP-难的，与已知的高斯舍入保证恰好匹配。
全篇采用反证法。先归约：高斯乘积分解与补充空胞格把问题化为 @@M@@n\ge4@@ 维、@@M@@n+1@@ 个胞格的情形；范数对偶把最优值的平方根等同于总平方范数为 1 的得分列表之期望最大得分（Khot–Naor 引理 3.7 的向量形式），球面紧性保证极值分割存在。再取活跃胞格数最少的极值分割：合并两胞格使目标改变 @@M@@2\langle z_i,z_j\rangle@@，最优性与极小性迫使质心两两内积严格为负，且每个胞格几乎处处就是对应得分 @@M@@\langle z_i,x\rangle@@ 最大的锥 @@M@@K_i@@，质心张成 @@M@@m-1@@ 维空间。若 @@M@@m\le4@@，维数落入 Heilman–Jagannath–Naor 三维定理的射程，故反例必有 @@M@@m\ge5@@。
再立标量约束。令 @@M@@r_i=\|z_i\|/\sqrt C@@、@@M@@P_i@@ 为胞格概率，则 @@M@@\sum r_i^2=\sum P_i=1@@。重排（rearrangement）论证——同测度集合中以半空间最大化方向矩，@@M@@m=5@@ 时改用四维球面重排——给出二次下界 @@M@@P_i\ge Ar_i^2@@（@@M@@A=0.929@@ 或 @@M@@0.884@@）。另一条界来自删去一个得分、把其余得分重新居中：极值对偶不等式给出期望最大值损失的下界，而 Ehrhard 高斯 Minkowski 不等式使锥的平移测度经 @@M@@\Phi^{-1}@@ 后成为凹函数，给出损失的上界；两界比较，配合辅助函数 @@M@@G@@ 的单调性并经有限区间有理验证，得线性–二次下界 @@M@@P_i\ge0.415r_i+0.15r_i^2@@。
接着做几何竞争。取质心最短的胞格，把其余得分分解为沿该方向的分量与正交残余 @@M@@Y_j@@（与该方向得分 @@M@@T@@ 独立）。此胞格的矩恒等式 @@M@@\mathbb E[\mathbf 1_KT]=\sqrt C\,t@@、@@M@@\mathbb E[\mathbf 1_KY_j]=0@@，配上二维高斯密度上界（分母含残余协方差行列式平方根 @@M@@D_{jk}@@）与三角形区域上的初等积分 @@M@@(3s)^3/6@@，导出两两约束 @@M@@D_{jk}\le\frac3\pi t(1+a_j)(1+a_k)@@；对三个最大半径求和并利用协方差矩阵行和为零、非对角元为负的结构，化为关于三大半径 @@M@@L,c@@ 与最小半径 @@M@@t@@ 的两条不等式。
最后是消元阶段：概率质量预算 @@M@@\sum_j\delta_j=1-A@@ 与上述诸界不相容——先证 @@M@@\sqrt c>0.23@@、@@M@@t>0.066@@，再证第四位以后的半径不超过 @@M@@0.42@@ 并逼出 @@M@@t<0.12@@，最终预算迫使 @@M@@c>2.6t@@；代入第二条约束得 @@M@@10(3/\pi)^2t^2\ge1.5(2.6-0.12)^2t^2@@，而 @@M@@1.5(2.6-0.12)^2-10(3/\pi)^2>0.106@@，矛盾。全部有限数值比较由附录中的精确有理数区间证书完成。
按任务文件标注，主结果已有 Lean 形式化证明；论文另将全部有限数值比较的精确有理数区间证书列于附录。几何证明只引用两个外部定理——三维螺旋桨定理与 Ehrhard 不等式——其余估计均为本文自证。核聚类 NP-硬度是独立一节的应用，还需 Khot–Naor 的定理与同族姊妹篇《The Unique Games Theorem》支撑；高斯不等式本身不依赖任何复杂性论证。依 OpenAI 官方声明，未经形式化的结果可能存在问题；本文主结果已形式化，但硬度一节的端点舍入保证按理想化形式引用，未给出有限精度实现。
问 1：证明里最关键也最脆弱的一步在哪？
答：消元阶段的数值链。最终矛盾形如 10(3/π)²t² 对 1.5(2.6−0.12)²t² 的比较，余量只有约 0.106，前面还要先逼出 √c>0.23、t>0.066、第四位半径 ≤0.42 等一串小余量估计。任何一步常数松动，链子就断。好在附录给出全部有限比较的精确有理数区间证书，且主结果已 Lean 形式化。
问 2：外部输入”三维螺旋桨定理”要是错了怎么办？为什么不能去掉？
答：去掉就得多算 m≤4 的全部锥构型，那正是 Heilman–Jagannath–Naor 用计算机辅助球面几何做的事；本文直接把它当已证输入，只为排除活跃胞格不超过四的反例。它本身也是计算机辅助证明，风险未在本文内消除——这是证明链上唯一的外部几何依赖（另一个是 Ehrhard 不等式）。
问 3：与 Khot–Naor、HJN、Heilman 的已有工作相比，新意究竟在哪？
答：Khot–Naor 给出锥分割归约与三胞格定值；HJN 只证 R³；Heilman 的路线须附加噪声稳定性假设且限于至多四胞格。本文处理一切维数、一切有限胞格数、无概率约束，靠的是”删一个得分的损失”与”和两个残余得分竞争”两类新估计。
问 4：为什么不能像 HJN 那样枚举有限构型收工？
答：因为活跃胞格数 m 没有先验上界。归约只保证极值分割是 m−1 维质心张成空间中的锥分割，m≥5 时构型无穷。本文改用不等式围堵：重排给 P_i≥Ar_i²，Ehrhard 凹性配对删得分估计给线性–二次下界，几何竞争约束协方差行列式，最后概率预算 ∑P_i=1 与它们不相容。
问 5：锐性为什么只在 d≥2、k≥3 声称？一维或两胞格时最优值是多少？
答：d=1 放不下三叶螺旋桨，k=2 没有三片可言，上界 9/(8π) 仍真但不再取等。这些残余情形的精确常数论文未展开——定理陈述只覆盖普适上界与 d≥2、k≥3 的取等。
问 6：AI 参与生成的证明最可能错在哪？
答：典型风险是常数簿记：A=0.929 还是 0.884 的适用分支、0.415r+0.15r² 系数、区间证书的覆盖完备性。这类机械环节恰是生成模型的高发错误区；本文用有理数区间证书加形式化把这一风险压住，几何证明里自证的估计反而结构清晰。
问 7：下游谁会用到它？
答：近似算法与硬度 community：常数 9/(8π) 倒过来就是核聚类的损失因子阈值 α_k=(8π/9)(1−1/k)，低于它的确定性多项式算法 NP-难，与 Khot–Naor 的舍入保证恰好咬合（依赖姊妹篇 Unique Games 定理）。推论还给出中心化联合高斯期望最大值的普适不等式，常数 3/(2√(2π)) 平面三向量时最优。
总评
这是把一个挂了十余年的几何猜想补全到所有维数的工作，且直接兑现为核聚类的精确难度阈值，分量足。最大风险集中在外部三维定理依赖与消元阶段的小余量数值链，幸有证书与形式化双保险。