数的几何The geometry of numbers

第 0 节 · 先补齐高中没学过的"地基"

本章会反复用到几样东西，高中课本里没有或只讲了一点点。先在这里一次性讲清楚，后面遇到就不再打断。

0.1 \(n\) 维空间里的"点"和"向量"

高中里平面上的点写成 \((x,y)\)，空间里写成 \((x,y,z)\)。把这个推广：所谓 \(n\) 维空间里的一个点，就是 \(n\) 个实数排成的一串

两个向量可以相加 \(\mathbf{x}+\mathbf{y}=(x_1+y_1,\dots,x_n+y_n)\)，也可以乘一个数 \(c\mathbf{x}=(cx_1,\dots,cx_n)\)，就跟平面向量一样，只是分量更多。

0.2 点到原点的距离 \(|\mathbf{x}|\)

平面上点 \((x_1,x_2)\) 到原点距离是 \(\sqrt{x_1^2+x_2^2}\)（勾股定理）。\(n\) 维里照搬：

0.3 线性型、线性组合、线性无关

一个线性型（linear form）就是若干变量的"一次齐次"表达式，例如 \(3u_1-2u_2+u_3\)，没有常数项、没有平方项。它无非是"把各变量按固定系数加权求和"。

把若干向量 \(\mathbf{x}^{(1)},\dots,\mathbf{x}^{(k)}\) 各乘一个数再加起来，\(c_1\mathbf{x}^{(1)}+\cdots+c_k\mathbf{x}^{(k)}\)，叫它们的一个线性组合。

若一组向量中"谁都不能写成其余几个的线性组合"，就说它们线性无关（linearly independent）。直观说：\(n\) 个线性无关的向量"撑开"了整个 \(n\) 维空间，方向上互不重复。平面里 \((1,0)\) 与 \((0,1)\) 线性无关；而 \((1,0)\) 与 \((2,0)\) 线性相关（后者是前者 2 倍，方向重复）。

0.4 矩阵与行列式 \(\det\)

把 \(n^2\) 个数排成 \(n\) 行 \(n\) 列的方阵，叫一个 \(n\times n\) 矩阵，记作 \(\Lambda=(\lambda_{ij})\)，\(\lambda_{ij}\) 是第 \(i\) 行第 \(j\) 列那个数。

每个方阵有一个数叫它的行列式，记作 \(\det\lambda_{ij}\) 或 \(\det\Lambda\)。它的几何意义是关键：

二维例子：列向量 \((a,c),(b,d)\) 组成的矩阵 \(\begin{pmatrix}a&b\\c&d\end{pmatrix}\)，行列式 \(=ad-bc\)，绝对值正是这两个向量张成的平行四边形面积。这个高中选修里见过。

0.5 整数集 \(\mathbb{Z}\) 与"整系数"

0.6 数量级记号 \(O(\cdot)\)、\(\ll\)、\(\gg\)、\(\asymp\)

分析数论里不追求精确常数，只关心"大约多大"。这套记号是全章的语言，务必先吃透。

\(A\ll B\)（读作"A 远小于等于 B"，即 \(A=O(B)\)）

意思是：存在一个常数 \(C>0\)（在本章里这个 \(C\) 只许依赖维数 \(n\)，不许依赖别的变量），使得 \(|A|\le C\,B\) 永远成立。通俗讲就是"\(A\) 至多是 \(B\) 的某个固定倍数"。例如 \(3x+5\ll x\)（当 \(x\ge1\)），因为 \(3x+5\le 8x\)。

\(A\gg B\)（读作"A 远大于等于 B"）

就是 \(B\ll A\) 反过来写：存在固定常数 \(c>0\) 使 \(A\ge c\,B\)。即"\(A\) 至少是 \(B\) 的某个固定倍数"。

\(A\asymp B\)（读作"A 与 B 同阶"）

同时有 \(A\ll B\) 与 \(A\gg B\)。意思是 \(A/B\) 被夹在两个正常数之间，\(A\) 和 \(B\) "差不多大、只差一个有界倍数"。本章正文里临时也写成 \(A\asymp B\)（原书用 \(\asymp\)）。

0.7 \(n\) 维球的体积 \(J_n\)

圆面积 \(\pi r^2\)、球体积 \(\tfrac43\pi r^3\)，都是"\(r^n\) 乘一个只跟维数有关的常数"。一般地，\(n\) 维空间里半径 \(\rho\) 的球，体积 \(=J_n\rho^n\)。

0.8 历史背景：什么是"数的几何"

"数的几何"（geometry of numbers）这门学科由德国数学家闵可夫斯基（Hermann Minkowski, 1864–1909）在 1896 年前后创立。它的革命性想法是：很多关于整数解的纯算术问题（"某个不等式组有没有非零整数解？"），可以翻译成几何问题（"某个对称凸区域里是否含有格点？"），从而用体积、对称这类直观工具去解决。闵可夫斯基本人用它在数论、二次型理论里取得了一连串突破。本章只取其中"处理线性不等式"够用的几条，证明也用了对我们够用的简化版本（用球/椭球代替一般凸体）。

第 1 节 · 格、基、行列式

这段在说什么：开宗明义交代"取舍"。Davenport 告诉你他故意只讲一个简化版。"更一般"指：本章只用普通的欧氏距离 \(\sqrt{x_1^2+\cdots+x_n^2}\)，而完整理论（Cassels 的专著，方括号 [12] 是书末参考文献编号）允许用别的"距离度量"。"更精确"指：本章对那些只依赖 \(n\) 的常数一律用 \(\ll,\asymp\) 糊弄过去，不去算它们到底是多少。最后一句给出理由——后面三次型的应用里，这些常数被吸收进"误差项"里，取值无所谓。这就是 0.6 节那套粗记号的"许可证"。

这段在定义本章的主角"格"。逐字拆开看。我们手里有 \(n^2\) 个固定的实数 \(\lambda_{ij}\)（这是"模板"，定好就不动了）。再准备 \(n\) 个变量 \(u_1,\dots,u_n\)，规定它们只能取整数。每给一组整数 \((u_1,\dots,u_n)\)，上面那组式子就算出一个点 \(\mathbf{x}\)。把所有可能的整数组对应的点 \(\mathbf{x}\) 收集起来，这一大堆点的集合就叫格 \(\Lambda\)。

这段引入"基"，并指出格的描述不唯一。先解释第二个式子：把矩阵乘法 \(\mathbf{x}=\Lambda\mathbf{u}\) 换种眼光看。\(\Lambda\) 的第 \(j\) 列是向量 \(\mathbf{x}^{(j)}=(\lambda_{1j},\dots,\lambda_{nj})\)。矩阵乘向量，本质就是"用 \(u_j\) 把第 \(j\) 列加权再求和"，所以

"幺模代换不改变格"是什么意思？同一张钉子板，可以选不同的两条基向量去描述它（就像同一面墙可以用不同的两块地砖去铺）。换基对应于对参数 \((u_1,\dots,u_n)\) 做一个变量替换。能用的替换必须满足两条：(1) 系数是整数（否则会跳到非格点）；(2) 这个替换可逆、且逆也是整系数（否则换过去的"新基"撑不出原来全部的点）。线性代数告诉我们，整系数且整系数可逆 \(\Longleftrightarrow\) 这个替换矩阵的行列式 \(=\pm1\)。行列式为 \(1\)（或 \(\pm1\)）的整系数矩阵就叫幺模（unimodular，"幺"指 1）。换一组基，钉子板本身一颗钉子都没动，只是描述它的"坐标系"变了。

这段定义"格的行列式"——格最重要的一个数，并给它几何意义。

逐句解释三个论断：

1. "不受幺模更换影响"：换基相当于把 \(\Lambda\) 右乘一个幺模矩阵 \(U\)（\(\det U=\pm1\)）。由行列式乘法法则 \(\det(\Lambda U)=\det\Lambda\cdot\det U=\det\Lambda\cdot(\pm1)\)，取绝对值后 \(|\det(\Lambda U)|=|\det\Lambda|\)。所以无论怎么换基，\(d(\Lambda)\) 都不变——它是钉子板本身的属性，和你怎么描述它无关。这正对应"同一张网，单元胞腔的体积是定的"。
2. "密度为 \(1/d(\Lambda)\)"：每个体积为 \(d(\Lambda)\) 的胞腔里恰好"摊到一个格点"，所以单位体积里的格点数（密度）= \(1/d(\Lambda)\)。胞腔越大、网越稀、密度越低，符合直觉。这个"显然的意义"在引理 12.1 的证明里会被精确用到（大立方体内格点数 \(\approx X^n/d(\Lambda)\)）。
3. "任意 \(n\) 个格点坐标的行列式是 \(d(\Lambda)\) 的整数倍"：任取格里 \(n\) 个点，每个都是基的整系数组合，第 \(k\) 个点 \(=\sum_j m_{kj}\mathbf{x}^{(j)}\)（\(m_{kj}\in\mathbb{Z}\)）。把这 \(n\) 个点的坐标排成矩阵，等于整数矩阵 \((m_{kj})\) 乘基矩阵 \(\Lambda\)。两边取行列式：\(\det=\det(m_{kj})\cdot\det\Lambda\)。其中 \(\det(m_{kj})\) 是整数矩阵的行列式，必为整数。所以这 \(n\) 个格点坐标的行列式 \(=(\text{整数})\times\det\Lambda\)，取绝对值就是 \(d(\Lambda)\) 的整数倍。这个事实在引理 12.2 里立刻要用。

最后"通常假设 \(d(\Lambda)=1\)"只是为了式子干净：把网格统一缩放，使一个胞腔体积恰为 1。这不损失一般性，因为任何格都能通过整体缩放化到 \(d(\Lambda)=1\)，结论再缩放回去即可。

这段引入"仿射变换"——一种把一张钉子板整体搬成另一张的操作。这里的"仿射/齐次线性变换"就是用一个 \(n\times n\) 实矩阵 \(A\) 把每个点 \(\mathbf{x}\) 换成 \(\mathbf{y}=A\mathbf{x}\)（没有平移，所以"齐次"，原点仍去原点）。要求 \(\det A\neq0\)，保证变换可逆、不把空间压扁。

为什么 \(\det A=1\) 时 \(d(\Lambda)=d(\mathsf{M})\)？变换 \(A\) 把任何体积都放大 \(|\det A|\) 倍（这是 \(\det\) 的几何意义）。格的胞腔体积是 \(d(\Lambda)\)，变换后变成 \(|\det A|\cdot d(\Lambda)\)。若 \(\det A=1\)（"等积变换"，比如旋转、错切都属此类），体积不变，故 \(d(\mathsf{M})=d(\Lambda)\)。这条性质马上在引理 12.1 的证明里用到："把椭球变成球"用的就是一个 \(\det=1\) 的仿射变换，既不改变格的行列式、也不改变体积大小关系。

第 2 节 · 引理 12.1：闵可夫斯基第一定理（大体积椭球必含格点）

先把这句翻译成人话。椭球就是球被各方向不等地拉伸后的形状（二维是椭圆，把圆压扁；三维是橄榄球/铅球那种）。"以原点为中心"指它关于 \(O\) 对称。结论是：只要这个椭球足够大（体积超过 \(2^n\) 这个门槛），那么不管钉子板（\(d=1\) 的格）怎么摆，椭球里除了正中间的原点之外，一定还罩住至少一颗钉子。

原文这段是高度浓缩的"鸽笼+体积"论证，每一步都有省略。下面一步一句补全。

1. 为何"只需对球证明"。椭球可由一个 \(\det=1\) 的仿射变换 \(A\) 拉回成球（各轴方向反向缩放，使三条半轴变得一样长；适当选 \(A\) 可让 \(\det A=1\)）。由第 1 节末，\(\det A=1\) 的变换既保持格的行列式（\(d=1\) 仍是 \(d=1\)），又保持"含不含非零格点"这件事（变换可逆，格点对格点、椭球内点对球内点一一对应）。还保持体积（\(>2^n\) 仍 \(>2^n\)）。所以"球的情形成立"自动推出"椭球的情形成立"。这就把问题简化成了球。
2. 设球半径为 \(\rho\)。球体积 \(=J_n\rho^n>2^n\)（题设）。记半径减半的小球体积 \(V=J_n(\tfrac12\rho)^n=\dfrac{J_n\rho^n}{2^n}>\dfrac{2^n}{2^n}=1\)。这就是关键不等式 \(V>1\) 的来历——它直接来自"体积 \(>2^n\)"这个门槛。
3. 大立方体里的格点数 \(\approx X^n\)。取一个边长为 \(X\) 的大立方体（中心在原点）。因为 \(d(\Lambda)=1\)，格的密度是 1（每单位体积一个点，见第 1 节），所以立方体里格点数 \(\approx\)（立方体体积）\(=X^n\)，当 \(X\) 越来越大时这个近似越来越准（"渐近于 \(X^n\)"就是这个意思）。
4. 在每个格点处放一个半径 \(\tfrac12\rho\) 的小球。立方体内约 \(X^n\) 个格点，每个配一个体积为 \(V\) 的小球，小球总体积 \(\approx V\cdot X^n\)。
5. 这些小球都装在一个稍大的立方体里。每个小球球心在边长 \(X\) 的立方体内，半径 \(\tfrac12\rho\)，所以球面最多探出 \(\tfrac12\rho\)；两侧都探出，整体被边长 \(X+\rho\) 的立方体兜住。这个大盒子体积 \(=(X+\rho)^n\)。
6. 体积比较逼出重叠（鸽笼原理的体积版）。当 \(X\) 足够大时，比较"小球总体积"与"盒子体积"： \[ V X^n \ \text{vs}\ (X+\rho)^n. \] 因为 \(V>1\)（第 2 步），而 \(\dfrac{(X+\rho)^n}{X^n}=\Big(1+\dfrac{\rho}{X}\Big)^n\to 1\)（当 \(X\to\infty\)，括号里趋于 1）。于是只要 \(X\) 大到使 \(\big(1+\tfrac\rho X\big)^n(X+\rho)^n\)，即小球总体积 > 装它们的盒子体积。一堆东西总体积超过容器体积，它们必有重叠（否则总体积不会超过容器）。
7. 重叠 = 两个球心靠得近。两个半径都为 \(\tfrac12\rho\) 的小球若重叠，它们的球心（两个不同格点 \(\mathbf{p},\mathbf{q}\)）距离 \(<\tfrac12\rho+\tfrac12\rho=\rho\)。所以存在两个不同格点相距小于 \(\rho\)。
8. 平移到原点，得非零近原点格点。格的关键性质：两格点之差仍是格点（因为 \(\mathbf{p}=\sum a_j\mathbf{x}^{(j)},\ \mathbf{q}=\sum b_j\mathbf{x}^{(j)}\)，整系数相减仍整系数，故 \(\mathbf{p}-\mathbf{q}=\sum(a_j-b_j)\mathbf{x}^{(j)}\) 是格点）。令 \(\mathbf{z}=\mathbf{p}-\mathbf{q}\)，它非零（因 \(\mathbf{p}\neq\mathbf{q}\)），且 \(|\mathbf{z}|=|\mathbf{p}-\mathbf{q}|<\rho\)。这正是"一个异于 \(O\)、到 \(O\) 距离小于 \(\rho\) 的格点"——它落在半径 \(\rho\) 的球内。∎

这条注交代历史与推广。"凸体"（convex body）指一块鼓鼓的、没有凹陷的立体区域：里面任意两点连线整段都在区域内（圆、椭球、立方体、正多面体都是凸的；月牙形、五角星不是）。"关于 \(O\) 中心对称"指 \(\mathbf{x}\) 在里面 \(\Rightarrow -\mathbf{x}\) 也在里面。闵可夫斯基 1896 年的第一基本定理说：体积 \(>2^n\) 的中心对称凸体必含非零格点——这是数的几何的奠基定理。本章为省事只对椭球证（够后面用），但 Davenport 提醒你：换成一般凸体，上面那套"半尺寸小球体积 \(>1\) 必重叠"的证明几乎一字不改照样成立（凸性保证"两点之差落在原凸体内"这一步）。

第 3 节 · 相继极小：用 \(n\) 个数刻画一张格

这是全章的核心定义，务必弄懂。动机：一张格可能"各方向疏密悬殊"——某个方向钉子排得很密（最近的非零钉子很近），换个方向却很疏。我们想用一串数把这种"各方向有多密"量化出来。做法是"贪心地一层层往外找最近的新方向"。

定义过程一步步是：

1. \(R_1=\) 全部非零格点里离原点最近的那个距离；取一个达到它的点叫 \(\mathbf{x}^{(1)}\)，于是 \(|\mathbf{x}^{(1)}|=R_1\)。（这刻画了"最密方向有多密"。）
2. \(R_2=\) 在"不躺在 \(\mathbf{x}^{(1)}\) 那条直线上"的格点里，离原点最近的距离；取达到它的点叫 \(\mathbf{x}^{(2)}\)。为何要排除那条直线？因为直线上的点（如 \(2\mathbf{x}^{(1)},3\mathbf{x}^{(1)}\)）只是 \(\mathbf{x}^{(1)}\) 方向的重复，提供不了"新方向"。我们要的是一个真正新的、线性无关的方向。
3. \(R_3=\) 在"不躺在 \(\mathbf{x}^{(1)},\mathbf{x}^{(2)}\) 张成的那张平面上"的格点里，离原点最近的距离；取点 \(\mathbf{x}^{(3)}\)。如此每次都跳出上一层张成的子空间，找一个最近的新方向。
4. 做满 \(n\) 步，得到 \(n\) 个数 \(R_1,\dots,R_n\) 和 \(n\) 个点 \(\mathbf{x}^{(1)},\dots,\mathbf{x}^{(n)}\)。由于每步都跳出前面所有方向张成的子空间，这 \(n\) 个点必然线性无关。
5. 为何 \(R_1\le R_2\le\cdots\le R_n\)？因为找 \(R_{\nu+1}\) 时的候选点集（"不在前 \(\nu\) 个方向张成的子空间里"的格点）是找 \(R_\nu\) 时候选集的子集（限制更严，排除得更多）。在更小的范围里求最小，结果只会更大或相等，所以 \(R_{\nu+1}\ge R_\nu\)。又因为非零格点离原点总有正距离（格点是离散的，最近的非零点不会贴在原点），故 \(R_1>0\)。

这段澄清两个细节。第一，达到最近距离的点可能有好几个（例如对称的格里 \(\mathbf{x}^{(1)}\) 和 \(-\mathbf{x}^{(1)}\) 距离一样），所以"极小点"\(\mathbf{x}^{(\nu)}\) 选法不唯一；但距离值 \(R_\nu\) 是唯一的——因为 \(R_\nu\) 被定义成"某个候选集里的最小距离"，最小值这个数不会因为有多个点达到它而改变。原文说"容易看出"，补全这一句理由即如上。

第 4 节 · 引理 12.2：相继极小之积被夹住（闵可夫斯基第二定理）

这条引理说：\(n\) 个相继极小的乘积 \(R_1R_2\cdots R_n\)，被牢牢夹在 \(1\) 与 \(2^n/J_n\) 之间——两端都是只依赖 \(n\) 的常数。换言之，对 \(d=1\) 的格，\(R_1\cdots R_n\asymp1\)。意义：某个方向特别密（\(R_\nu\) 很小）必然以另一个方向特别疏（别的 \(R\) 很大）为代价，疏密"总账守恒"。这与第 1 节"胞腔体积固定为 1"是一回事的精细化。下面分别证下界和上界。

1. 旋转坐标系做"三角化"。旋转不改变任何长度和距离（刚体转动），所以不改变 \(R_\nu\)、不改变 \(d(\Lambda)\)、不改变是否格点。我们转动坐标轴，使第一个极小点 \(\mathbf{x}^{(1)}\) 正好躺在第 1 根坐标轴上（于是它只有第 1 个坐标非零）；再使 \(\mathbf{x}^{(2)}\) 落在前两根轴张成的平面里（第 3 个起的坐标为 0）；依此类推。结果坐标矩阵成"下三角"形状（对角线下方可非零、上方全为 0），如译文所列。为什么能这样转？因为 \(\mathbf{x}^{(1)},\dots,\mathbf{x}^{(\nu)}\) 张成的是个 \(\nu\) 维子空间，总能把坐标系转得让这个子空间正好是"前 \(\nu\) 根轴"张成的那个，这是线性代数里的标准事实（Gram–Schmidt 正交化的几何版）。
2. 三角矩阵的行列式 = 对角线之积。对下三角矩阵，\(\det=\) 对角元乘积 \(=x_1^{(1)}x_2^{(2)}\cdots x_n^{(n)}\)（上三角部分全 0，展开只剩这一项）。
3. 这个行列式的绝对值 \(\ge1\)。由第 1 节第 3 条：任意 \(n\) 个格点坐标的行列式是 \(d(\Lambda)\) 的整数倍 \(=\)（整数）\(\times1=\) 整数。又这 \(n\) 个极小点线性无关，行列式 \(\neq0\)，所以是个非零整数，绝对值 \(\ge1\)。于是 \(|x_1^{(1)}x_2^{(2)}\cdots x_n^{(n)}|\ge1\)。
4. 每个对角元不超过对应点的长度。由 0.2 的小事实 \(|x_\nu^{(\nu)}|\le|\mathbf{x}^{(\nu)}|=R_\nu\)（一个坐标的绝对值不超过整个向量的模长）。
5. 连乘得下界。把第 4 步对所有 \(\nu\) 相乘：\(\ |x_1^{(1)}x_2^{(2)}\cdots x_n^{(n)}|=\prod_\nu|x_\nu^{(\nu)}|\le\prod_\nu R_\nu=R_1\cdots R_n.\) 结合第 3 步 \(1\le|x_1^{(1)}\cdots x_n^{(n)}|\)，得 \(1\le R_1R_2\cdots R_n\)。下界证毕。

这一半要用引理 12.1 反着用："若椭球太大就会含非零格点；现在我造一个恰好不含非零格点的椭球，那它就不能太大，由此把 \(R_1\cdots R_n\) 卡在上面。"逐步补全：

1. 构造椭球。取椭球 \(E:\ \dfrac{x_1^2}{R_1^2}+\cdots+\dfrac{x_n^2}{R_n^2}<1\)。它的 \(n\) 条半轴长正是 \(R_1,\dots,R_n\)（沿第 \(k\) 轴，令其余坐标为 0，边界处 \(x_k=R_k\)）。选这个椭球的动机：把"各方向相继极小 \(R_\nu\)"直接做成各方向的半轴，这样它的体积里就自然含有 \(R_1\cdots R_n\)。
2. 断言：\(E\) 内没有非零格点。反证地考察任意非零格点 \(\mathbf{x}\)。设它"恰好用到第 \(\nu\) 个方向"——即 \(\mathbf{x}\) 能写成 \(\mathbf{x}^{(1)},\dots,\mathbf{x}^{(\nu)}\) 的组合，但写不成 \(\mathbf{x}^{(1)},\dots,\mathbf{x}^{(\nu-1)}\) 的组合（每个非零格点都有这样一个确定的"最高层级 \(\nu\)"）。
3. 它的长度 \(\ge R_\nu\)。因为 \(\mathbf{x}\) 不在 \(\mathbf{x}^{(1)},\dots,\mathbf{x}^{(\nu-1)}\) 张成的子空间里（第 2 步），按 \(R_\nu\) 的定义（"不在前 \(\nu-1\) 个方向子空间里的最近距离"），有 \(|\mathbf{x}|\ge R_\nu\)。
4. 它的高位坐标全为 0。在第 1 步那套三角化坐标里，\(\mathbf{x}^{(1)},\dots,\mathbf{x}^{(\nu)}\) 的第 \(\nu+1\) 个及以后坐标都是 0；\(\mathbf{x}\) 是它们的组合，所以 \(\mathbf{x}\) 也满足 \(x_{\nu+1}=\cdots=x_n=0\)。
5. 代入椭球表达式，证明 \(\ge1\)。 \[ \frac{x_1^2}{R_1^2}+\cdots+\frac{x_n^2}{R_n^2}\underset{(a)}{=}\frac{x_1^2}{R_1^2}+\cdots+\frac{x_\nu^2}{R_\nu^2}\underset{(b)}{\ge}\frac{x_1^2+\cdots+x_\nu^2}{R_\nu^2}\underset{(c)}{=}\frac{|\mathbf{x}|^2}{R_\nu^2}\underset{(d)}{\ge}1. \] 其中 (a) 用第 4 步把 \(\nu\) 之后的项扔掉（它们是 0）；(b) 因为 \(R_1\le R_2\le\cdots\le R_\nu\)，所以分母 \(R_1,\dots,R_\nu\) 都 \(\le R_\nu\)，把前面各项的分母统一放大到 \(R_\nu^2\)，每项只会变小，整体 \(\ge\)；(c) 因为 \(x_{\nu+1},\dots,x_n=0\)，\(x_1^2+\cdots+x_\nu^2=x_1^2+\cdots+x_n^2=|\mathbf{x}|^2\)；(d) 用第 3 步 \(|\mathbf{x}|\ge R_\nu\)，故 \(|\mathbf{x}|^2/R_\nu^2\ge1\)。
6. 结论：该值 \(\ge1\)，所以 \(\mathbf{x}\) 不满足"\(<1\)"，即 \(\mathbf{x}\notin E\)。因此 \(E\) 里除原点外没有格点。
7. 用引理 12.1 反推体积上界。引理 12.1 说"体积 \(>2^n\) 的中心椭球必含非零格点"。\(E\) 恰恰不含非零格点，所以它的体积不能 \(>2^n\)，即 \(\mathrm{vol}(E)\le2^n\)。
8. 算出 \(E\) 的体积并收尾。椭球 \(E\) 由单位球各轴拉伸 \(R_1,\dots,R_n\) 倍得到，体积 = 单位球体积 \(\times\) 各轴拉伸倍数之积 \(=J_n\cdot R_1R_2\cdots R_n\)。代入上一步：\(\ (R_1R_2\cdots R_n)J_n\le2^n,\) 即 \[ R_1R_2\cdots R_n\le\frac{2^n}{J_n}. \] 上界证毕。合并下界，(12.1) 全部成立。∎

历史定位：这条注告诉你引理 12.2 的"豪华版"叫闵可夫斯基第二基本定理（把球/椭球换成一般中心对称凸体，相继极小也按那个凸体来定义）。它比第一定理深得多，闵可夫斯基本人的完整证明相当费力。Davenport 这里用椭球的版本是"够用就好"的取舍。

"蕴含引理 12.1"的验证：由 \(R_1\le R_2\le\cdots\le R_n\)，把乘积里每个因子都缩小到最小的 \(R_1\)：\(R_1^n=R_1\cdot R_1\cdots R_1\le R_1R_2\cdots R_n\le 2^n/J_n\)，即 \(J_nR_1^n\le2^n\)。而 \(J_nR_1^n\) 正是半径 \(R_1\) 的球体积。它 \(\le2^n\) 等价于说："若一个中心球体积 \(>2^n\)，就不可能 \(R_1\ge\) 该球半径，也就是 \(R_1<\) 半径，即存在距离 \(<\) 半径的非零格点"——这正是引理 12.1。可见第二定理确实把第一定理当特例包含了。

第 5 节 · 同阶记号 \(\asymp\) 与引理 12.3：把极小点修成一组好基

这就是 0.6 节已经预讲过的 \(\asymp\)。Davenport 在这里正式登场使用它：\(A\asymp B\) 读"A 与 B 同阶"，意思是存在只依赖 \(n\) 的常数 \(c,C>0\) 使 \(cB\le A\le CB\)，即 \(A,B\) 互相被对方的常数倍夹住。后面引理 12.3、12.4、12.5、12.6 全靠这个记号简洁陈述。"暂时"指它只在本章好用。

这条引理解决第 3 节末提出的麻烦：极小点不一定是基。引理 12.3 说：可以找到一组真正的基 \(\mathbf{X}^{(1)},\dots,\mathbf{X}^{(n)}\)（整系数能凑出格里每个点），并且这组基有两条好性质：(1) 坐标呈下三角（\(\mathbf{X}^{(\nu)}\) 只有前 \(\nu\) 个坐标非零）；(2) 每个基向量的长度、以及它的"对角坐标" \(X_\nu^{(\nu)}\)，都与相继极小 \(R_\nu\) 同阶。这样一来，这组基既好用（是基）、又"诚实地反映各方向的疏密"（长度 \(\asymp R_\nu\)）。

这是个"逐层修基"的归纳构造。先把 \(\mathbf{X}^{(2)}\) 这一层讲透，更高层完全类比。

1. 第 1 层照搬。令 \(\mathbf{X}^{(1)}=\mathbf{x}^{(1)}\)。一维里极小点自己就是基，没问题，且 \(|\mathbf{X}^{(1)}|=R_1\)。
2. 第 2 层要修。问题：\(\mathbf{x}^{(1)},\mathbf{x}^{(2)}\) 也许不能整系数生成它们所在平面里全部格点（这正是极小点不一定是基的毛病）。但几何上一定存在一个点 \(\mathbf{X}^{(2)}\)，使得 \(\mathbf{X}^{(1)},\mathbf{X}^{(2)}\) 整系数恰好生成该平面内全部格点（"平面内的格是二维格，二维格一定有基"，这是直观且可证的）。\(\mathbf{X}^{(2)}\) 可以加上 \(\mathbf{x}^{(1)}\) 的任意整数倍而仍是合法选择（沿已有方向平移不影响"生成"）——这个自由度待会儿用来压短它。
3. 把 \(\mathbf{X}^{(2)}\) 用极小点表示。\(\mathbf{x}^{(1)},\mathbf{x}^{(2)}\) 至少能有理系数生成该平面所有格点（因为它们是平面里两个线性无关向量，张成整个平面，任何点都是它们的实组合；而格点用它们表示时系数是有理数）。所以 \(\mathbf{X}^{(2)}\) 乘上某个正整数 \(N\) 后能变成整系数：\(N\mathbf{X}^{(2)}=u_1\mathbf{x}^{(1)}+u_2\mathbf{x}^{(2)}\)，\(N,u_1,u_2\in\mathbb{Z},N>0\)（通分清分母即得 \(N\)）。
4. 推出 \(u_2=1\)。反过来，\(\mathbf{x}^{(2)}\) 在平面格里，故能被基 \(\mathbf{X}^{(1)},\mathbf{X}^{(2)}\) 整系数表示：\(\mathbf{x}^{(2)}=a\mathbf{X}^{(1)}+b\mathbf{X}^{(2)}\)。把第 3 步的式子和这个式子联立（都在以 \(\mathbf{x}^{(1)},\mathbf{x}^{(2)}\) 为坐标的平面里比较 \(\mathbf{x}^{(2)}\) 的系数），可得 \(b\cdot u_2=N\cdot(\text{某整数关系})\) 最终强制 \(u_2=1\)。直观说：\(\mathbf{X}^{(2)}\) 与 \(\mathbf{X}^{(1)}\) 整系数生成 \(\mathbf{x}^{(2)}\)，意味着 \(\mathbf{x}^{(2)}\) 在 \(\mathbf{X}^{(2)}\) 方向上的"格距"恰是一格，对应 \(u_2=1\)。（这一步原文只丢结论，这里点明它来自"\(\mathbf{x}^{(2)}\) 是 \(\mathbf{X}\) 的整组合"。）于是 \(N\mathbf{X}^{(2)}=u_1\mathbf{x}^{(1)}+\mathbf{x}^{(2)}\)。
5. 用自由度把 \(u_1\) 压进半格。第 2 步说 \(\mathbf{X}^{(2)}\) 可加 \(\mathbf{x}^{(1)}\) 的整数倍；加一次 \(\mathbf{x}^{(1)}\) 会使 \(u_1\) 改变 \(N\)（因为两边乘了 \(N\)）。于是总能调到 \(|u_1|\le\tfrac12N\)（把 \(u_1\) 对 \(N\) 取"最接近的余数"，余数绝对值不超过 \(N/2\)）。
6. 估长度。由第 4、5 步，\(\mathbf{X}^{(2)}=\dfrac{u_1}{N}\mathbf{x}^{(1)}+\dfrac1N\mathbf{x}^{(2)}\)。用三角不等式（\(|\mathbf a+\mathbf b|\le|\mathbf a|+|\mathbf b|\)）： \[ |\mathbf{X}^{(2)}|\le\frac{|u_1|}{N}|\mathbf{x}^{(1)}|+\frac1N|\mathbf{x}^{(2)}|\le\frac{N/2}{N}R_1+\frac1N R_2\le\tfrac12R_1+R_2. \] （用了 \(|u_1|/N\le\tfrac12\)、\(1/N\le1\)、\(|\mathbf{x}^{(1)}|=R_1,|\mathbf{x}^{(2)}|=R_2\)。）再因 \(R_1\le R_2\)，得 \(\tfrac12R_1+R_2\le\tfrac12R_2+R_2=\tfrac32R_2\)。所以 \(|\mathbf{X}^{(2)}|\le\tfrac32R_2\)。

1. 第 3 层同样修。取 \(\mathbf{X}^{(3)}\) 使 \(\mathbf{X}^{(1)},\mathbf{X}^{(2)},\mathbf{X}^{(3)}\) 整系数生成三维子空间里全部格点。同理 \(N\mathbf{X}^{(3)}=u_1\mathbf{x}^{(1)}+u_2\mathbf{x}^{(2)}+u_3\mathbf{x}^{(3)}\)。
2. 这次不一定 \(u_3=1\)，但 \(u_3\mid N\)（\(u_3\) 整除 \(N\)）。理由：\(\mathbf{x}^{(3)}\) 能被新基整系数表示 \(\mathbf{x}^{(3)}=v_1\mathbf{X}^{(1)}+v_2\mathbf{X}^{(2)}+v_3\mathbf{X}^{(3)}\)。比较 \(\mathbf{X}^{(3)}\) 方向（即第 3 层的"新方向"）的系数：第一个式子给该方向系数为 \(u_3/N\)（把式子除以 \(N\)），第二个式子给整数 \(v_3\)。但 \(\mathbf{x}^{(3)}\) 是同一个点，沿 \(\mathbf{X}^{(3)}\) 方向的系数唯一，所以 \(u_3/N=v_3\)，即 \(N=u_3v_3\)，\(v_3\) 是整数，故 \(u_3\) 整除 \(N\)。含义：虽然 \(u_3\) 不必是 1，但 \(u_3\) 是 \(N\) 的因子，这一步对长度上界其实不直接需要数值，只需后面 \(|u_1|,|u_2|\le\tfrac12N\) 即可；写出 \(u_3\mid N\) 是为了确认 \(\mathbf{X}^{(1)},\mathbf{X}^{(2)},\mathbf{X}^{(3)}\) 确实构成子空间格的基（生成性正确）。
3. 同样把 \(u_1,u_2\) 压到 \(\le\tfrac12N\)。利用 \(\mathbf{X}^{(3)}\) 可加 \(\mathbf{X}^{(1)},\mathbf{X}^{(2)}\)（从而可加 \(\mathbf{x}^{(1)},\mathbf{x}^{(2)}\)）整数倍的自由度，把 \(u_1,u_2\) 都调进半格。注意第 3 个系数是 \(u_3/N\)，而 \(N=u_3v_3\) 给 \(u_3/N=1/v_3\)，其绝对值 \(\le1\)。
4. 估长度。\(\mathbf{X}^{(3)}=\dfrac{u_1}{N}\mathbf{x}^{(1)}+\dfrac{u_2}{N}\mathbf{x}^{(2)}+\dfrac{u_3}{N}\mathbf{x}^{(3)}\)，三角不等式给 \[ |\mathbf{X}^{(3)}|\le\tfrac12R_1+\tfrac12R_2+1\cdot R_3\le\tfrac12R_3+\tfrac12R_3+R_3=2R_3 \] （用 \(R_1,R_2\le R_3\) 把前两项放大）。
5. 一般第 \(\nu\) 层。完全类比，前 \(\nu-1\) 个系数各 \(\le\tfrac12\)、第 \(\nu\) 个 \(\le1\)，得 \[ |\mathbf{X}^{(\nu)}|\le\underbrace{\tfrac12R_1+\cdots+\tfrac12R_{\nu-1}}_{\nu-1\ \text{项}}+R_\nu\le\frac{\nu-1}{2}R_\nu+R_\nu=\frac{\nu+1}{2}R_\nu. \] （每个 \(R_j\le R_\nu\)。）由于 \(\dfrac{\nu+1}{2}\le\dfrac{n+1}{2}\) 是只依赖 \(n\) 的常数，故 \(|\mathbf{X}^{(\nu)}|\ll R_\nu\)。这就给出 (12.2) 中 \(|\mathbf{X}^{(\nu)}|\) 的上界。

1. 对角坐标的上界。\(\mathbf{X}^{(\nu)}\) 是 \(\mathbf{x}^{(1)},\dots,\mathbf{x}^{(\nu)}\) 的组合，而这些极小点在三角化坐标里第 \(\nu+1\) 起的坐标都为 0，故 \(\mathbf{X}^{(\nu)}\) 也满足"最后 \(n-\nu\) 个坐标为 0"，即它确实是下三角形状。再由 0.2 的小事实，对角坐标 \(|X_\nu^{(\nu)}|\le|\mathbf{X}^{(\nu)}|\ll R_\nu\)。两个上界（向量长度、对角坐标）齐了。
2. 基矩阵行列式 = 1。因 \(\mathbf{X}^{(1)},\dots,\mathbf{X}^{(n)}\) 是 \(d(\Lambda)=1\) 的格的基，其坐标矩阵的行列式绝对值 \(=d(\Lambda)=1\)。又它是下三角矩阵，行列式 = 对角元之积，故 \(|X_1^{(1)}X_2^{(2)}\cdots X_n^{(n)}|=1\)。
3. 把这个 1 拆开，孤立出 \(X_\nu^{(\nu)}\)。对每个 \(j\neq\nu\)，已证上界 \(|X_j^{(j)}|\le|\mathbf{X}^{(j)}|\ll R_j\)，即 \(|X_j^{(j)}|\le C R_j\)。把第 2 步的等式两边除以这些： \[ 1=\prod_j|X_j^{(j)}|=|X_\nu^{(\nu)}|\prod_{j\neq\nu}|X_j^{(j)}|\le|X_\nu^{(\nu)}|\cdot C'\!\!\prod_{j\neq\nu}R_j, \] 所以 \(|X_\nu^{(\nu)}|\cdot R_1\cdots R_{\nu-1}R_{\nu+1}\cdots R_n\gg1\)，即 \(|X_\nu^{(\nu)}|\gg\dfrac{1}{\prod_{j\neq\nu}R_j}\)。
4. 用 (12.1) 右半把分母换成 \(R_\nu\)。(12.1) 说 \(R_1R_2\cdots R_n\le2^n/J_n\ll1\)，所以 \(\prod_{j\neq\nu}R_j=\dfrac{R_1\cdots R_n}{R_\nu}\ll\dfrac{1}{R_\nu}\)。代入上一步：\(|X_\nu^{(\nu)}|\gg\dfrac{1}{\prod_{j\neq\nu}R_j}\gg R_\nu\)。对角坐标的下界 \(|X_\nu^{(\nu)}|\gg R_\nu\) 得证。
5. 向量长度的下界。由 \(|\mathbf{X}^{(\nu)}|\ge|X_\nu^{(\nu)}|\gg R_\nu\)（向量长度不小于它任一坐标的绝对值），自动得到 \(|\mathbf{X}^{(\nu)}|\gg R_\nu\)。或者更直接：\(\mathbf{X}^{(\nu)}\) 不在 \(\mathbf{x}^{(1)},\dots,\mathbf{x}^{(\nu-1)}\) 的子空间里，由 \(R_\nu\) 定义 \(|\mathbf{X}^{(\nu)}|\ge R_\nu\)。两条上界两条下界全部到手，(12.2) 完全成立。∎

这条注说基还能"擦干净"。下三角矩阵对角线下方那些非对角元 \(X_\mu^{(\nu)}\)（\(\mu<\nu\)），可以通过给 \(\mathbf{X}^{(\nu)}\) 减去低层基向量的整数倍而压到很小——不超过对应对角元 \(|X_\mu^{(\mu)}|\) 的一半。这就像解线性方程组里的"回代消元"：每加一个 \(\mathbf{X}^{(\mu)}\) 的整数倍，\(X_\mu^{(\nu)}\) 就改变 \(X_\mu^{(\mu)}\) 的整数倍，于是能把它对 \(X_\mu^{(\mu)}\) 取最接近余数压进半格。这步在本章后文不是必需，故称"如有需要"，但它让基更标准、更便于显式计算。

第 6 节 · 引理 12.4：球里到底有多少格点

这是本章的"主力公式"，回答本章开头那个问题：半径 \(R\) 的球里有几个格点。答案完全由相继极小决定。

公式怎么读：当 \(R

1. 平凡情形。\(R
2. 下界：造一批保证在球内的格点。用引理 12.3 修出的好基 \(\mathbf{X}^{(1)},\dots,\mathbf{X}^{(\nu)}\)。考虑所有 \(\mathbf{x}=\sum_{j=1}^\nu u_j\mathbf{X}^{(j)}\)，其中整数 \(u_j\) 受限 \(|u_j|\le\dfrac1\nu\cdot\dfrac{R}{|\mathbf{X}^{(j)}|}\)。
3. 验证它们都在球内。三角不等式： \[ |\mathbf{x}|\le\sum_{j=1}^\nu|u_j|\,|\mathbf{X}^{(j)}|\le\sum_{j=1}^\nu\frac1\nu\frac{R}{|\mathbf{X}^{(j)}|}\cdot|\mathbf{X}^{(j)}|=\sum_{j=1}^\nu\frac{R}{\nu}=\nu\cdot\frac R\nu=R. \] 每一项的 \(|\mathbf{X}^{(j)}|\) 约掉，正好凑成 \(R\)。所以这些点确实都满足 \(|\mathbf{x}|\le R\)，是合格的被计数对象。（除以 \(\nu\) 这个因子正是为了让 \(\nu\) 项加起来不超过 \(R\)。）
4. 数有多少种 \((u_1,\dots,u_\nu)\)。每个 \(u_j\) 在区间 \(\big[-\tfrac1\nu\tfrac{R}{|\mathbf{X}^{(j)}|},\ \tfrac1\nu\tfrac{R}{|\mathbf{X}^{(j)}|}\big]\) 里取整数，含 0。一个长度为 \(2t\) 的区间里整数个数 \(\ge t\)（且当 \(t\ge\)某常数时 \(\asymp t\)）。所以 \(u_j\) 的取法数 \(\gg\dfrac{R}{\nu|\mathbf{X}^{(j)}|}\gg\dfrac{R}{|\mathbf{X}^{(j)}|}\)（\(\nu\le n\) 是常数，吸收进 \(\gg\)）。各 \(u_j\) 独立选取，相乘：取法总数 \(\gg\displaystyle\prod_{j=1}^\nu\frac{R}{|\mathbf{X}^{(j)}|}\)。
5. 不同 \((u_j)\) 给不同点。因为 \(\mathbf{X}^{(j)}\) 是基，整系数表示唯一，所以不同的系数组对应不同格点，没有重复计数。故 \(N(R)\ge\) 取法数 \(\gg\prod_{j\le\nu}\dfrac{R}{|\mathbf{X}^{(j)}|}\)。
6. 换成 \(R_j\)。由引理 12.3 的 \(|\mathbf{X}^{(j)}|\asymp R_j\)，有 \(\dfrac{R}{|\mathbf{X}^{(j)}|}\asymp\dfrac{R}{R_j}\)，连乘得 \[ N(R)\gg\prod_{j=1}^\nu\frac{R}{R_j}=\frac{R^\nu}{R_1R_2\cdots R_\nu}. \] 下界证毕。

1. 球内格点只用得到前 \(\nu\) 个方向。任何 \(|\mathbf{x}|\le RR\)，矛盾。所以 \(\mathbf{x}=\sum_{j=1}^\nu v_j\mathbf{X}^{(j)}\)，整系数 \(v_j\)。
2. 从最高坐标往下"逐个锁定" \(v_j\)（回代）。因为基是下三角，坐标关系是： \[ x_\nu=v_\nu X_\nu^{(\nu)},\quad x_{\nu-1}=v_\nu X_{\nu-1}^{(\nu)}+v_{\nu-1}X_{\nu-1}^{(\nu-1)},\quad\dots \] 第 \(\nu\) 个坐标只含 \(v_\nu\)（因为只有 \(\mathbf{X}^{(\nu)}\) 在第 \(\nu\) 坐标上非零），所以 \(v_\nu=x_\nu/X_\nu^{(\nu)}\)。
3. 数 \(v_\nu\) 的可能数目。\(|x_\nu|\le|\mathbf{x}|\le R\)，而 \(v_\nu=x_\nu/X_\nu^{(\nu)}\) 是整数，所以 \(|v_\nu|\le R/|X_\nu^{(\nu)}|\)，可能取值个数 \(\ll R/|X_\nu^{(\nu)}|\)。
4. 逐层往下。\(v_\nu\) 定了后，第 \(\nu-1\) 坐标式中 \(v_\nu X_{\nu-1}^{(\nu)}\) 已知，于是 \(v_{\nu-1}=(x_{\nu-1}-v_\nu X_{\nu-1}^{(\nu)})/X_{\nu-1}^{(\nu-1)}\)；同样 \(|x_{\nu-1}|\le R\)，可能数目 \(\ll R/|X_{\nu-1}^{(\nu-1)}|\)。如此一层层回代到 \(v_1\)，第 \(j\) 层可能数目 \(\ll R/|X_j^{(j)}|\)。
5. 括号里的提醒"这些数都 \(\gg1\)"。这一步逻辑很关键：用"可能数目 \(\ll R/|X_j^{(j)}|\)"去相乘，前提是每个 \(R/|X_j^{(j)}|\gg1\)（即至少有一种取法、量级是真的"多"），否则把一堆 \(<1\) 的数相乘会得出荒谬的小上界。这里 \(R\ge R_\nu\ge R_j\asymp|X_j^{(j)}|\)（对 \(j\le\nu\)），所以确实 \(R/|X_j^{(j)}|\gg1\)，论证成立。
6. 相乘得上界。把各层可能数目相乘（这是计数的乘法原理：先选 \(v_\nu\)，再选 \(v_{\nu-1}\)，……）： \[ N(R)\ll\prod_{j=1}^\nu\frac{R}{|X_j^{(j)}|}=\frac{R^\nu}{|X_1^{(1)}|\cdots|X_\nu^{(\nu)}|}\ll\frac{R^\nu}{R_1R_2\cdots R_\nu}, \] 末一步又用引理 12.3 的 \(|X_j^{(j)}|\asymp R_j\)。上界证毕。上下界同阶，引理 12.4 成立。∎

这条注点出引理 12.4 的"灵魂"。它说：任何一张可能歪七扭八的格，在"球里数格点"这件事上，都和一张方方正正的矩形格——各坐标轴方向间距分别为 \(R_1,R_2,\dots,R_n\) 的那张——表现一致（只差常数倍）。对矩形格，半径 \(R\) 球里格点数显然约是 \(\prod_j(2R/R_j+1)\) 这种乘积，正对应公式 \(R^\nu/(R_1\cdots R_\nu)\)。于是结论：研究格点计数时，可以把任意格"等效替换"成只由 \(n\) 个数 \(R_1,\dots,R_n\) 描述的矩形格，复杂的 \(n^2\) 个系数 \(\lambda_{ij}\) 全部浓缩成 \(n\) 个相继极小。这正是相继极小作为"格的指纹"的威力，也是引理 12.6 能成立的基础。

第 7 节 · 伴随格（极格）与 (12.3)

这段引入"伴随格"，是为下一条 Mahler 定理做准备。先补两个记号。

"伴随/极"的定义：两张格 \(\Lambda\)（在 \(x\) 空间）、\(\mathsf{M}\)（在 \(y\) 空间）若能选基使 \(\Lambda^T\mathsf{M}=I\)，就叫一对伴随格（adjoint）/ 极格（polar）。下面解释这个矩阵条件等价于内积关系 (12.3)。

1. 展开内积。设 \(\mathbf{x}=\Lambda\mathbf{u}\)，\(\mathbf{y}=\mathsf{M}\mathbf{v}\)（\(\mathbf{u},\mathbf{v}\) 整向量）。把内积写成矩阵语言：\(x_1y_1+\cdots+x_ny_n=\mathbf{x}^T\mathbf{y}\)（一行乘一列正好是对应分量相乘求和）。
2. 代入。\(\mathbf{x}^T\mathbf{y}=(\Lambda\mathbf{u})^T(\mathsf{M}\mathbf{v})=\mathbf{u}^T\Lambda^T\mathsf{M}\,\mathbf{v}\)（转置法则 \((\Lambda\mathbf{u})^T=\mathbf{u}^T\Lambda^T\)）。
3. 用条件。若 \(\Lambda^T\mathsf{M}=I\)，则 \(\mathbf{u}^T\Lambda^T\mathsf{M}\,\mathbf{v}=\mathbf{u}^TI\mathbf{v}=\mathbf{u}^T\mathbf{v}=u_1v_1+\cdots+u_nv_n\)。所以 \(\sum x_ky_k=\sum u_kv_k\) 恒成立，这就是 (12.3)。反之这个恒等式对一切整 \(\mathbf{u},\mathbf{v}\) 成立也能逼出 \(\Lambda^T\mathsf{M}=I\)。两种说法等价。
4. \(d(\Lambda)d(\mathsf{M})=1\)。对 \(\Lambda^T\mathsf{M}=I\) 取行列式：\(\det(\Lambda^T)\det(\mathsf{M})=\det I=1\)。而 \(\det\Lambda^T=\det\Lambda\)（转置不改变行列式），取绝对值得 \(|\det\Lambda||\det\mathsf{M}|=1\)，即 \(d(\Lambda)d(\mathsf{M})=1\)。所以一张格的胞腔越大，它伴随格的胞腔就越小，互成倒数。
5. 关系是对称的。由 \(\Lambda^T\mathsf{M}=I\) 可推 \(\mathsf{M}^T\Lambda=I\)（两边转置：\((\Lambda^T\mathsf{M})^T=\mathsf{M}^T\Lambda=I^T=I\)），所以"\(\mathsf{M}\) 是 \(\Lambda\) 的伴随"与"\(\Lambda\) 是 \(\mathsf{M}\) 的伴随"是一回事。
6. 为何不在任意线性变换下不变。若在 \(x\) 空间作变换 \(\mathbf{x}=A\mathbf{x}'\)、\(y\) 空间作 \(\mathbf{y}=B\mathbf{y}'\)，要让内积关系 (12.3) 保持，需要 \(\mathbf{x}^T\mathbf{y}=\mathbf{x}'^TA^TB\mathbf{y}'=\mathbf{x}'^T\mathbf{y}'\) 对一切成立，即 \(A^TB=I\)。一般的 \(A,B\) 不满足这条，所以伴随关系会被破坏——它依赖于两个空间用互相配套（\(A^TB=I\)）的坐标。这点提醒我们：伴随关系是"带着内积结构"的，不能随便换坐标。

第 8 节 · 引理 12.5（Mahler）：伴随格的相继极小成倒数

这是 Mahler 的漂亮定理。\(S_1,\dots,S_n\) 是伴随格 \(\mathsf{M}\) 的相继极小（与 \(\Lambda\) 的 \(R_1,\dots,R_n\) 平行定义）。结论：把 \(\mathsf{M}\) 的相继极小倒过来排取倒数，就与 \(\Lambda\) 的相继极小一一对应同阶。统一写成 \(R_\mu S_{n-\mu+1}\asymp1\)。直观：\(\Lambda\) 在某方向最密（\(R_1\) 小），对应 \(\mathsf{M}\) 在对偶方向最疏（\(S_n\) 大），乘积 \(\asymp1\)。这把"格"和"它的对偶格"的疏密信息完全绑在一起。德国数学家 Kurt Mahler（1903–1988）在 1930 年代证明了这个对偶定理。下面证明分两半：先证下界 \(R_\nu S_{n-\nu+1}\ge1\)，再用乘积比较得反向。

1. 关键二分法。取 \(\Lambda\) 的格点 \(\mathbf{x}\)（非零）和 \(\mathsf{M}\) 的格点 \(\mathbf{y}\)（非零）。由 (12.3)，内积 \(\sum x_ky_k=\sum u_kv_k\) 是整数（整向量内积）。一个整数要么是 0，要么绝对值 \(\ge1\)。所以：要么 \(\sum x_ky_k=0\)（即 \(\mathbf{x}\perp\mathbf{y}\)，垂直），要么 \(|\sum x_ky_k|\ge1\)。后者结合 \(|\sum x_ky_k|\le|\mathbf{x}||\mathbf{y}|\)（柯西不等式 \(|\mathbf{x}\cdot\mathbf{y}|\le|\mathbf{x}||\mathbf{y}|\)）得 \(|\mathbf{x}||\mathbf{y}|\ge1\)。所以两个非零、不垂直的格点（一边一个），长度乘积必 \(\ge1\)。
2. 找一对不垂直的极小点。考虑"同时垂直于 \(\mathbf{x}^{(1)},\dots,\mathbf{x}^{(\nu)}\) 的所有 \(\mathbf{y}\)"。垂直于 \(\nu\) 个线性无关向量，是 \(\nu\) 个线性方程的解集，构成一个 \((n-\nu)\) 维子空间。这个子空间最多容纳 \(n-\nu\) 个线性无关向量。
3. 鸽笼：\(n-\nu+1\) 个极小点装不进去。\(\mathsf{M}\) 的极小点 \(\mathbf{y}^{(1)},\dots,\mathbf{y}^{(n-\nu+1)}\) 共 \(n-\nu+1\) 个、且线性无关。但上面子空间只能放 \(n-\nu\) 个线性无关向量。所以这 \(n-\nu+1\) 个 \(\mathbf{y}\) 不可能全部落在该子空间里——必有某个 \(\mathbf{y}^{(s)}\)（\(s\le n-\nu+1\)）不垂直于全部 \(\mathbf{x}^{(1)},\dots,\mathbf{x}^{(\nu)}\)，即存在某个 \(\mathbf{x}^{(r)}\)（\(r\le\nu\)）与它不垂直。
4. 对这对用第 1 步。\(\mathbf{x}^{(r)},\mathbf{y}^{(s)}\) 不垂直，故 \(|\mathbf{x}^{(r)}||\mathbf{y}^{(s)}|\ge1\)。
5. 放大成 \(R_\nu,S_{n-\nu+1}\)。因 \(r\le\nu\)，相继极小递增，\(|\mathbf{x}^{(r)}|=R_r\le R_\nu\)；同理 \(|\mathbf{y}^{(s)}|=S_s\le S_{n-\nu+1}\)。代入：\(1\le|\mathbf{x}^{(r)}||\mathbf{y}^{(s)}|\le R_\nu S_{n-\nu+1}\)。得 (12.4)：\(R_\nu S_{n-\nu+1}\ge1\)。

1. 两格相继极小乘积都 \(\ll1\)。对 \(\Lambda\) 用引理 12.2：\(R_1\cdots R_n\le2^n/J_n\)；对 \(\mathsf{M}\)（也是 \(d=1\)）：\(S_1\cdots S_n\le2^n/J_n\)。相乘：\(R_1\cdots R_n\,S_1\cdots S_n\le(2^n/J_n)^2\)。
2. 把它配成 \(n\) 个"配对乘积"。注意 \(\{R_\nu S_{n-\nu+1}:\nu=1,\dots,n\}\) 恰好把全部 \(R\) 和全部 \(S\) 各用一次配对（\(R_1\) 配 \(S_n\)，\(R_2\) 配 \(S_{n-1}\)，……），所以 \[ \prod_{\nu=1}^n\big(R_\nu S_{n-\nu+1}\big)=\big(R_1\cdots R_n\big)\big(S_1\cdots S_n\big)\le(2^n/J_n)^2. \]
3. 每个配对都被压住。对某个固定 \(\mu\)，把上式里除了 \(R_\mu S_{n-\mu+1}\) 以外的配对都用第一半 (12.4) 的下界 \(\ge1\) 替掉： \[ R_\mu S_{n-\mu+1}\cdot\underbrace{\prod_{\nu\neq\mu}R_\nu S_{n-\nu+1}}_{\ge1}\le(2^n/J_n)^2. \] 既然后面那一大坨 \(\ge1\)，必有 \(R_\mu S_{n-\mu+1}\le(2^n/J_n)^2\ll1\)。这就是上界 \(R_\mu S_{n-\mu+1}\ll1\)。
4. 合并。下界 \(R_\mu S_{n-\mu+1}\ge1\) 与上界 \(R_\mu S_{n-\mu+1}\ll1\) 一起给出 \(R_\mu S_{n-\mu+1}\asymp1\)，即 \(R_\mu\asymp1/S_{n-\mu+1}\)，正是引理 12.5。∎

这条注的两点。第一，\(d(\Lambda)=1\) 只是为了证明里直接套用引理 12.2 的干净形式；任何格缩放一下就能化到 \(d=1\)，所以不损失一般性。第二，若要把 Mahler 定理升级到"用一般凸体量距离"的版本，必须让 \(x\) 空间用的凸体 \(K\) 与 \(y\) 空间用的凸体是一对"极体"（polar body，关于单位球互极：\(K\) 越往某方向胖，它的极体在该方向就越瘦）。这呼应第 7 节"伴随关系依赖配套内积结构"的提醒。本章只用球，故无需操心这层推广。

第 9 节 · 一类自伴随的 \(2n\) 维格

这段造出后面三次型要用的具体格。它生活在 \(2n\) 维空间（坐标分成两半：前 \(n\) 个 \(x_1,\dots,x_n\)，后 \(n\) 个 \(x_{n+1},\dots,x_{2n}\)）。设计动机：把"\(n\) 个线性型 \(L_i=\sum_j\gamma_{ij}u_j\) 接近整数"这件事，编码成一张 \(2n\) 维格的几何。

怎么从方程读出矩阵。前 \(n\) 行 \(ax_i=u_i\) 即 \(x_i=a^{-1}u_i\)：前 \(n\) 个坐标只依赖前 \(n\) 个参数，系数 \(a^{-1}\)，对应左上块 \(a^{-1}I_n\)、右上块 0。后 \(n\) 行 \(a^{-1}x_{n+i}=\sum_j\gamma_{ij}u_j+u_{n+i}\) 即 \(x_{n+i}=a\sum_j\gamma_{ij}u_j+au_{n+i}\)：依赖前 \(n\) 个参数（系数 \(a\gamma\)）和后 \(n\) 个参数（系数 \(aI_n\)），对应左下块 \(a\gamma\)、右下块 \(aI_n\)。这就拼出了 \(\Lambda\)。

1. 算伴随格矩阵 \(\mathsf{M}=(\Lambda^T)^{-1}\)。由第 7 节，伴随条件 \(\Lambda^T\mathsf{M}=I\) 即 \(\mathsf{M}=(\Lambda^T)^{-1}\)。先转置：\(\Lambda^T=\begin{pmatrix}a^{-1}I_n&a\gamma^T\\0&aI_n\end{pmatrix}\)（左下块 \(a\gamma\) 转到右上变 \(a\gamma^T\)；右上块 0 转到左下变 0）。
2. 求逆。对上三角分块阵 \(\begin{pmatrix}P&Q\\0&S\end{pmatrix}\)，逆是 \(\begin{pmatrix}P^{-1}&-P^{-1}QS^{-1}\\0&S^{-1}\end{pmatrix}\)。这里 \(P=a^{-1}I_n,Q=a\gamma^T,S=aI_n\)，于是 \(P^{-1}=aI_n\)、\(S^{-1}=a^{-1}I_n\)、\(-P^{-1}QS^{-1}=-(aI_n)(a\gamma^T)(a^{-1}I_n)=-a\gamma^T\)。得 \[ \mathsf{M}=\begin{pmatrix}aI_n&-a\gamma^T\\0&a^{-1}I_n\end{pmatrix}, \] 与译文一致。

关键转折：对称条件 (12.5) 让 \(\mathsf{M}\) 和 \(\Lambda\) 长得一样。

若 \(\gamma^T=\gamma\)，则 \(\mathsf{M}=\begin{pmatrix}aI_n&-a\gamma\\0&a^{-1}I_n\end{pmatrix}\)。译文里那串"改符号、互换上下半"的操作，是在对 \(\mathsf{M}\) 的坐标 \((y,v)\) 做幺模 + 旋转/反射的整理：交换前后两半、给后半变号，本质是用一个行列式 \(\pm1\) 的正交置换把 \(\mathsf{M}\) 的矩阵"洗"成 \(\Lambda\) 的矩阵。结果是：在 \(\gamma\) 对称时，\(\mathsf{M}\) 与 \(\Lambda\) 是同一张格（只差坐标重排与符号），即 \(\Lambda\) "本质上自伴随"。我们不必逐一核对四步操作（它们只是把分块 \(\begin{pmatrix}aI&-a\gamma\\0&a^{-1}I\end{pmatrix}\) 经行列对调与变号还原成 \(\begin{pmatrix}a^{-1}I&0\\a\gamma&aI\end{pmatrix}\) 的同构），重点是结论。

1. 两格相继极小相同。因为 \(\mathsf{M}\) 与 \(\Lambda\) 是同一张格（自伴随），它们的相继极小逐个相等：\(S_k=R_k\)。
2. 代入 Mahler 定理。引理 12.5 对这对伴随格（维数是 \(2n\)）给 \(R_\mu S_{2n-\mu+1}\asymp1\)。把 \(S_k=R_k\) 代入：\(R_\mu R_{2n-\mu+1}\asymp1\)。取 \(\mu=1,\dots,n\) 得 \(R_1R_{2n}\asymp1,\ R_2R_{2n-1}\asymp1,\ \dots,\ R_nR_{n+1}\asymp1\)。
3. 挑出最中间那对，得 \(R_n\ll1\ll R_{n+1}\)。由 \(R_nR_{n+1}\asymp1\)：因 \(R_n\le R_{n+1}\)（相继极小递增），两数乘积 \(\asymp1\) 而前者不大于后者，故 \(R_n^2\le R_nR_{n+1}\asymp1\) 给出 \(R_n\ll1\)，而 \(R_{n+1}^2\ge R_nR_{n+1}\asymp1\) 给出 \(R_{n+1}\gg1\)。所以 \(R_n\ll1\ll R_{n+1}\)。这条"\(R_n\) 不超过常数、\(R_{n+1}\) 不小于常数"的分界，正是引理 12.6 证明里反复用的支点：前 \(n\) 个方向"密"（极小 \(\ll1\)），后 \(n\) 个方向"疏"（极小 \(\gg1\)）。

一句过渡：前面所有铺垫（格、相继极小、引理 12.4 的计数、Mahler 定理、自伴随格的 \(R_n\ll1\ll R_{n+1}\)）都是为了下面这条引理 12.6——它是第 13 章起处理三次型时真正要调用的工具。

第 10 节 · 引理 12.6：解数随区间缩小而不会掉太快

先把这条引理"翻译成普通话"。我们有 \(n\) 个对称线性型 \(L_i\)。给定一个"尺度" \(Z\)，\(N(Z)\) 数的是这样的整数组 \((u_1,\dots,u_{2n})\)：前 \(n\) 个整数 \(u_1,\dots,u_n\) 各自绝对值 \(非常接近某个整数 \(u_{n+i}\)（误差 \(

结论 (12.7) 的含义：把尺度从 \(Z_1\) 放大到 \(Z_2\)，解数 \(N\) 增长不会超过 \((Z_2/Z_1)^n\) 倍。反过来读（这才是真正要用的方向）：把尺度缩小，解数减少得不会比 \((Z_1/Z_2)^n\) 更狠——解不会"突然全没了"。这正是后面三次型次弧估计需要的"稳健性"：缩小盒子时还能保住足够多的解。

1. 把不等式组翻译成格 \(\Lambda\) 的坐标。回到第 9 节那张 \(2n\) 维格：\(x_i=a^{-1}u_i\)（\(i\le n\)），\(x_{n+i}=a(L_i+u_{n+i})\) 这里 \(L_i=\sum_j\gamma_{ij}u_j\)，所以 \(a^{-1}x_{n+i}=L_i+u_{n+i}\)，即 \(x_{n+i}=a(L_i-(-u_{n+i}))\)。把 (12.6) 的 \(u_{n+i}\) 理解成这第 \(n+i\) 个整数参数（符号无所谓），则：
   · \(|u_i|· \(|L_i-u_{n+i}|所以 (12.6) 恰好等价于"格点 \(\mathbf{x}\) 的全部 \(2n\) 个坐标都 \(
2. 立方体夹在两个球之间。若每个 \(|x_k|
3. 夹逼 \(N(Z)\)。记 \(N_0(Z)=\)（半径 \(Z\) 球内格点数）。由上面的包含关系：\(N_0(Z)\le N(Z)\le N_0(\sqrt{2n}\,Z)\)。这样就把"数不等式解"彻底转化成"数球内格点"，可以套引理 12.4 了。

1. 用夹逼把比值换成 \(N_0\)。\(\dfrac{N(Z_2)}{N(Z_1)}\le\dfrac{N_0(\sqrt{2n}Z_2)}{N_0(Z_1)}\)（上面用 \(N(Z_2)\le N_0(\sqrt{2n}Z_2)\)、\(N(Z_1)\ge N_0(Z_1)\)）。
2. 把要证的目标改写为 (12.8)。只要能证 \(\dfrac{N_0(Z_2)}{N_0(Z_1)}\ll(Z_2/Z_1)^n\)，且这个对 \(N_0\) 的结论在放宽条件 \(Z_2\ll1\)（允许 \(Z_2\) 是个不超过常数的数，不必 \(\le1\)）下成立，那么把里头的 \(Z_2\) 替换成 \(\sqrt{2n}Z_2\)（它仍 \(\ll1\)，因为 \(Z_2\le1\) 时 \(\sqrt{2n}Z_2\le\sqrt{2n}\ll1\)）即得 \[ \frac{N_0(\sqrt{2n}Z_2)}{N_0(Z_1)}\ll\Big(\frac{\sqrt{2n}Z_2}{Z_1}\Big)^n=(2n)^{n/2}\Big(\frac{Z_2}{Z_1}\Big)^n\ll\Big(\frac{Z_2}{Z_1}\Big)^n, \] 常数 \((2n)^{n/2}\) 只依赖 \(n\)，吸收进 \(\ll\)。结合第 1 步即得 (12.7)。所以剩下任务就是证 (12.8)（条件放宽到 \(Z_2\ll1\)）。

1. 给 \(Z_1,Z_2\) 各定"档位" \(\nu,\mu\)。相继极小 \(R_1\le\cdots\le R_{2n}\) 把数轴切成若干档。\(Z_1\) 落在第 \(\nu\) 档（\(R_\nu\le Z_1
2. 套引理 12.4。该引理给 \(N_0(Z)\asymp Z^k/(R_1\cdots R_k)\)（\(k\) 是 \(Z\) 所在档）。取下界用在分母 \(N_0(Z_1)\gg Z_1^\nu/(R_1\cdots R_\nu)\)，取上界用在分子 \(N_0(Z_2)\ll Z_2^\mu/(R_1\cdots R_\mu)\)。
3. 相除化简。 \[ \frac{N_0(Z_2)}{N_0(Z_1)}\ll\frac{Z_2^\mu/(R_1\cdots R_\mu)}{Z_1^\nu/(R_1\cdots R_\nu)}=\frac{Z_2^\mu}{Z_1^\nu}\cdot\frac{R_1\cdots R_\nu}{R_1\cdots R_\mu}=\frac{Z_2^\mu}{Z_1^\nu\,R_{\nu+1}\cdots R_\mu}. \] （分子分母的 \(R_1\cdots R_\nu\) 约掉，分母剩 \(R_{\nu+1}\cdots R_\mu\)。）这是后面要分情况估的核心表达式。

核心表达式 \(\dfrac{Z_2^\mu}{Z_1^\nu R_{\nu+1}\cdots R_\mu}\) 要分三种情况压到 \(\ll(Z_2/Z_1)^n\)。关键武器是 \(R_n\ll1\ll R_{n+1}\)（前 \(n\) 个极小小、后 \(n\) 个大）和 \(Z_2\ll1\)。

1. 情况一：\(\mu\le n\)（两个尺度都落在"密"的前半档）。要把核心表达式从上方压住，需把分母 \(R_{\nu+1}\cdots R_\mu\) 从下方估。对每个 \(j\)（\(\nuZ_1\)，又相继极小递增，故 \(R_j\ge R_{\nu+1}>Z_1\)。于是分母含 \(\mu-\nu\) 个都 \(>Z_1\) 的因子，\(R_{\nu+1}\cdots R_\mu>Z_1^{\mu-\nu}\)。代入： \[ \frac{Z_2^\mu}{Z_1^\nu R_{\nu+1}\cdots R_\mu}<\frac{Z_2^\mu}{Z_1^\nu\,Z_1^{\mu-\nu}}=\frac{Z_2^\mu}{Z_1^\mu}=\Big(\frac{Z_2}{Z_1}\Big)^\mu\le\Big(\frac{Z_2}{Z_1}\Big)^n. \] 末一步因 \(Z_2/Z_1\ge1\) 且 \(\mu\le n\)，把指数从 \(\mu\) 放大到 \(n\) 只会更大。情况一成立。
2. 情况二：\(\mu>n\) 且 \(\nu\le n\)（\(Z_1\) 在前半、\(Z_2\) 跨到了后半）。把核心表达式拆成两段，在 \(n\) 处断开： \[ \frac{Z_2^\mu}{Z_1^\nu R_{\nu+1}\cdots R_\mu}=\underbrace{\frac{Z_2^n}{Z_1^\nu R_{\nu+1}\cdots R_n}}_{(\mathrm A)}\cdot\underbrace{\frac{Z_2^{\,\mu-n}}{R_{n+1}\cdots R_\mu}}_{(\mathrm B)}. \] · 段 (A)：分母 \(R_{\nu+1}\cdots R_n\) 用 \(R_j>Z_1\)（\(j>\nu\)）得 \(\ge Z_1^{n-\nu}\)，故 \((\mathrm A)\le\dfrac{Z_2^n}{Z_1^\nu Z_1^{n-\nu}}=\dfrac{Z_2^n}{Z_1^n}=(Z_2/Z_1)^n\)。
   · 段 (B)：分母 \(R_{n+1}\cdots R_\mu\) 里每个 \(R_j\ge R_{n+1}\gg1\)（后半档全是大极小），所以分母 \(\gg1\)；分子 \(Z_2^{\mu-n}\) 里 \(Z_2\ll1\)、指数 \(\mu-n\ge1\)，所以 \(Z_2^{\mu-n}\ll1\)。于是 \((\mathrm B)\ll1\)。
   两段相乘：\((\mathrm A)(\mathrm B)\ll(Z_2/Z_1)^n\cdot1=(Z_2/Z_1)^n\)。情况二成立。这一步正是"\(R_{n+1}\gg1\) 与 \(Z_2\ll1\)"的用武之地——它保证跨进后半档的那些方向"贡献 \(\ll1\)"，不会把比值撑爆。
3. 情况三：\(\nu>n\)（连 \(Z_1\) 都落在后半档）。这只可能当 \(Z_1\ge R_\nu\ge R_{n+1}\gg1\)，即 \(Z_1\gg1\)。但我们处理的是 \(Z_1\le Z_2\ll1\)（小尺度）——所以 \(Z_1\gg1\) 与 \(Z_2\ll1\) 同时成立只能挤在 \(Z_1\asymp Z_2\asymp1\) 的边界附近。此时直接放缩：\(N_0(Z_2)\ll Z_2^\mu/(R_1\cdots R_\mu)\)、\(N_0(Z_1)\gg Z_1^\nu/(R_1\cdots R_\nu)\)，但更简单地，\(Z_1,Z_2\) 都 \(\asymp1\)，故 \(N_0(Z_1),N_0(Z_2)\) 都是有界的常数量级，比值 \(\dfrac{N_0(Z_2)}{N_0(Z_1)}\ll1\)。又因 \(Z_2/Z_1\ge1\) 给 \((Z_2/Z_1)^n\ge1\)，所以 \(\dfrac{N_0(Z_2)}{N_0(Z_1)}\ll1\le(Z_2/Z_1)^n\)。情况三成立。
4. 三种情况穷尽了 \((\nu,\mu)\) 的所有可能（因 \(\nu\le\mu\)，要么 \(\mu\le n\)、要么 \(\mu>n\ge\nu\)、要么 \(\nu>n\)），故 (12.8) 在 \(Z_2\ll1\) 下成立。回到第二轮的化简，即得 (12.7)。引理 12.6 证毕。∎

这条收尾注点明引理 12.6 的用途、适用范围与对称条件的代价。

1. "意义"：解数不会掉太快。(12.7) 反过来读就是 \(N(Z_1)\gg(Z_1/Z_2)^n N(Z_2)\)：缩小尺度时解数最多按 \(n\) 次幂衰减。后面三次型用圆法时，需要保证某尺度下解仍然"够多"，这条引理正提供这个下保。
2. "只有 \(aZ\) 大才有意义"。若 \(aZ<1\)，则首行条件 \(|u_i|1\) 时 \(a^{-1}Z
3. 对称条件的代价。最后一句是 Davenport 的诚实交代：对称 \(\gamma_{ij}=\gamma_{ji}\) 是把指数做到漂亮的 \(n\) 的关键。如果 \(\gamma\) 不对称，第 9 节那张格就不再自伴随，\(R_n\ll1\ll R_{n+1}\) 这道干净的"中点坎"消失，三种情况的讨论失效，只能证出更弱的、指数为 \(2n-1\) 的版本。这解释了为什么前面要费力强调对称性——它不是装饰，而是把结论从 \(2n-1\) 改进到 \(n\) 的命根子。

返回 全书目录