更高次的齐次方程Homogeneous equations of higher degree

阅读方式：黑色引用块是译文原话（逐段搬来），其后的彩色框是面向高中生的逐句详解。凡原文写"显然""容易看出""直接推广"的地方，我们都补成一步一句的推导。

零、先补三块高中没学过的"地基"

本章满纸都是 \(e(\alpha)\)、\(\int_0^1\)、\(\sum\)、\(\ll\)、"同余"、"\(p\)-进"、"维数"这些记号。它们超出高中课本，但每一个都能从零讲清。先把最常用的几块地基打好，后面读正文就顺了。

一、引言：把三次方程的方法推广到高次

在文献 [6] 中，Birch 给出了对我们处理齐次三次方程所用方法的一个意义深远的推广，但这一推广涉及一些重要的修改。他考虑求解一个齐次方程，或一组联立的齐次方程（它们的次数全都相同）的问题。这里人们面临两个严重的困难。首先，即便对于单个次数为 \(k>3\) 的方程，我们一般也不知道任何关于 \(k\) 的合理函数 \(n_0(k)\)，使得当 \(n\ge n_0(k)\) 时，同余条件对每个素数都能被满足。（由 Brauer 的工作（已在第 11 章中引用），我们知道存在某个 \(k\) 的函数，使得方程在 \(p\)-进域中可解。此外，仅仅在 \(p\)-进域中有解还不够；我们需要一个非奇异解，以便确保能够满足同余条件。）因此，我们必须假定对每个素数 \(p\)，同余条件都被满足。我们还必须假定该方程，或方程组，在实数域中可解，并且具有一个非奇异解。

这一段在讲什么：交代背景与"第一个困难"。前面几章（第 15–17 章）处理的是"一个三次型"。Birch 想一口气推广到"任意 \(k\) 次、任意 \(R\) 个方程联立"。但一上来就撞到两堵墙，这段讲第一堵。

文献 [6]、Birch

B. J. Birch（伯奇），英国数论家。这里的 [6] 指他 1962 年发表的论文 Forms in many variables（《多变量的型》）。Davenport 这本讲义的最后一章，就是把 Birch 这篇论文的思路做一个综述。

\(k\)

方程的次数（degree）。三次就是 \(k=3\)，本章要处理 \(k>3\) 乃至一般的 \(k\)。

\(n\)

变量个数（即 \(\mathbf x=(x_1,\dots,x_n)\) 的坐标数）。圆法的灵魂是"变量足够多时方程一定有解"，所以 \(n\) 越大越好办。

\(n_0(k)\)

一个"门槛函数"：希望找到这样一个只依赖 \(k\) 的数，使得"只要变量数 \(n\ge n_0(k)\)，同余条件就自动对每个素数满足"。困难在于：高次时没人知道这样一个合理（不大得离谱）的 \(n_0(k)\)。

Brauer 的工作

R. Brauer（布饶尔）证明了：确实存在某个仅依赖 \(k\) 的门槛，使方程 \(p\)-进可解。但他给出的数值"astronomical（天文数字般大）"，大到没有实用价值。所以 Davenport 说"我们知道存在，但用不上"。

其次——而这一点更为重要——即便这些假定也不总是足以保证方程在整数（或有理数）中可解。下面这个例子是 Swinnerton-Dyer 给我看的：

这一段在讲什么：抛出"第二个、也是更要命的困难"——局部—整体原则会失效。这是整章思想转折的关键，下面用一个具体反例砸实。

Swinnerton-Dyer

H. P. F. Swinnerton-Dyer（斯温纳顿–戴尔），英国数论家（也是著名的 Birch–Swinnerton-Dyer 猜想里的那位）。他给 Davenport 看了一个精心构造的反例。

"局部—整体原则"（Hasse 原则）

一个美好的愿望：如果方程在实数里有解（"在无穷远处局部可解"），且对每个素数 \(p\) 都 \(p\)-进可解（"每个素数处局部可解"），那么它就应该在有理数 / 整数里有解（整体可解）。对二次型这是对的（Hasse–Minkowski 定理）。但下面这个例子说明：对三次及更高次，这个美好愿望会破产。

\[ 3(x_1^2+\cdots+x_r^2)^3+4(x_{r+1}^2+\cdots+x_s^2)^3=5(x_{s+1}^2+\cdots+x_n^2)^3,\tag{19.1} \]

其中 \(r\lt s\lt n\)。由 Selmer [78] 的工作可知，方程

\[3X^3+4Y^3=5Z^3\]

除了 \(X=Y=Z=0\) 之外无解，由此可推出 (19.1) 除了 \(x_1=\cdots=x_n=0\) 之外无解。另一方面，可以证明 (19.1) 对每个 \(p\) 满足同余条件，并且它在实数域中当然也是非奇异可解的。

这一段在讲什么：把上面那个"反例"完整摆出来，并解释它为什么是反例。我们逐块拆解。

因此，如果我们要建立整数可解性，就必须施加某个进一步的条件。Birch 被引导施加的那类条件，是用与方程组相关联的一个'奇异轨迹'的维数来表述的。

这一段在讲什么：点题——既然局部条件不够，就得加一条新条件；而 Birch 的新条件是用"奇异轨迹的维数"来写的。这句话是全章的"路标"。

我们将概述他的论文的总体计划，在可能有帮助的地方与单个三次方程的问题作比较。由于记号不可避免地复杂，细节相当繁难。

这一段在讲什么：是作者的"免责声明 + 阅读指引"。Davenport 坦言：下面只给提纲（outline），不给全部证明，因为记号太繁、细节太硬。他会不时拿"单个三次方程"（即 \(R=1,k=3\) 的旧情形）来对照，帮你定位。给读者的建议：下面每出现一个新符号，先盯住"它退化到 \(R=1,k=3\) 时是什么"，就能把陌生公式接回前几章学过的东西。

二、搭台：型、指数和、与"用积分数解"

设有 \(R\) 个 \(n\) 元 \(k\) 次齐次型，其中 \(R\lt n\)。我们可以把它们写成

\[ \begin{aligned} f^{(1)}(\mathbf{x}) &= \sum_{j_0,\ldots,j_{k-1}} C^{(1)}_{j_0,\ldots,j_{k-1}}\, x_{j_0}\cdots x_{j_{k-1}},\\ &\ \ \vdots\\ f^{(R)}(\mathbf{x}) &= \sum_{j_0,\ldots,j_{k-1}} C^{(R)}_{j_0,\ldots,j_{k-1}}\, x_{j_0}\cdots x_{j_{k-1}}, \end{aligned} \]

其中求和的变量从 \(1\) 到 \(n\)。

这一段在讲什么：正式把"研究对象"写下来——\(R\) 个 \(k\) 次型。这串带上标下标的公式看着吓人，其实只是"把一个 \(k\) 次齐次多项式展开成单项式之和"的标准写法。

\(R\)

方程（型）的个数。\(R=1\) 就回到"单个方程"。条件 \(R

\(f^{(1)},\dots,f^{(R)}\)

这 \(R\) 个齐次型本身。上标 \((i)\) 是"第几个型"的编号，不是幂次。

\(\mathbf x=(x_1,\dots,x_n)\)

变量向量，加粗的 \(\mathbf x\) 表示"一整组坐标"。

\(C^{(i)}_{j_0,\dots,j_{k-1}}\)

第 \(i\) 个型里、单项式 \(x_{j_0}x_{j_1}\cdots x_{j_{k-1}}\) 前面的系数（已知的整数）。下标 \(j_0,\dots,j_{k-1}\) 各自从 \(1\) 跑到 \(n\)，指出这一项乘了哪几个变量。

设 \(\mathfrak{B}\) 为 \(n\) 维空间中的一个盒子，定义指数和

\[ S(\alpha_1,\ldots,\alpha_R)=\sum_{\mathbf{x}\in P\mathfrak{B}} e\!\left(\alpha_1 f^{(1)}(\mathbf{x})+\cdots+\alpha_R f^{(R)}(\mathbf{x})\right). \]

这一段在讲什么：引入圆法的核心工具——指数和 \(S\)（生成函数）。这是整套方法的"发动机"。

\(\mathfrak{B}\)（花体 B）

\(n\) 维空间里一个固定的盒子（box），就是各坐标都被限制在某区间里的"长方体"，比如 \([-1,1]^n\)。它规定解的"形状范围"。

\(P\)

一个大的正参数（伸缩倍数）。\(P\mathfrak B\) 就是把盒子 \(\mathfrak B\) 放大 \(P\) 倍得到的大盒子。我们最后要让 \(P\to\infty\)，看大盒子里解的个数怎么增长。

\(\sum_{\mathbf x\in P\mathfrak B}\)

让 \(\mathbf x\) 跑遍大盒子 \(P\mathfrak B\) 里所有整点（坐标都是整数的格点）。盒子边长 \(\sim P\)，所以这样的整点约有 \(P^n\) 个。

\(\alpha_1,\dots,\alpha_R\)

\(R\) 个实参数，每个跑遍 \([0,1]\)。它们是圆法里要"积分掉"的变量——每个方程配一个 \(\alpha\)。

\(S(\alpha_1,\dots,\alpha_R)\)

指数和：把大盒子里每个整点 \(\mathbf x\)，算出 \(e(\alpha_1 f^{(1)}(\mathbf x)+\cdots+\alpha_R f^{(R)}(\mathbf x))\)（一个单位圆上的复数），再全部加起来。

那么，\(P\mathfrak{B}\) 中满足联立方程 \(f^{(1)}(\mathbf{x})=0,\ldots,f^{(R)}(\mathbf{x})=0\) 的整点 \(\mathbf{x}\) 的个数由下式给出

\[ \mathcal{N}(P)=\int_0^1\cdots\int_0^1 S(\alpha_1,\ldots,\alpha_R)\,d\alpha_1\ldots d\alpha_R. \]

这一段在讲什么：亮出圆法的"基本恒等式"——解的个数 \(=\) 指数和的多重积分。这是后面一切工作的出发点。原文没给推导（认为是"直接的"），我们补全。

\(\mathcal N(P)\)

大盒子 \(P\mathfrak B\) 里、同时满足全部 \(R\) 个方程 \(f^{(i)}(\mathbf x)=0\) 的整点个数。这正是我们最终想知道大于 0 的量（有解 \(\iff \mathcal N(P)>0\)）。

三、核心估计：从"\(S\) 大"挤出"对 \(\alpha\) 的有理逼近"

由引理 13.1 的一个直接推广，我们发现，如果

\[|S(\alpha_1,\ldots,\alpha_R)|\ge P^{n-K},\quad (K>0),\]

那么

\[\sum_{\mathbf{x}^{(1)}}\cdots\sum_{\mathbf{x}^{(k-1)}}\prod_{J=1}^{n}\min\left\{P,\,\big\|\alpha_1 M_J^{(1)}+\cdots+\alpha_R M_J^{(R)}\big\|^{-1}\right\}\gg P^{nk-2^{k-1}K},\]

这一段在讲什么：这是全章技术主线的第一步。它说的是一个"二择"逻辑链的起点：假如指数和 \(S\) 还不算小（\(\ge P^{n-K}\)），那么必然能推出右边一个关于"线性型靠近整数"的大下界。这是 Weyl（外尔）差分法的标准产物。

\(P^{n-K}\) 与 \(K\)

\(S\) 的"自然大小上限"约是 \(P^n\)（因为是 \(P^n\) 个模长为 1 的复数相加）。\(K>0\) 衡量"\(S\) 比满额 \(P^n\) 小了多少个幂次"。"\(|S|\ge P^{n-K}\)"就是说"\(S\) 还没小到 \(K\) 那么多"，即仍然偏大。\(K\) 越大，这个假设越苛刻。

\(\mathbf x^{(1)},\dots,\mathbf x^{(k-1)}\)

\(k-1\) 个独立的整点向量（每个都是 \(n\) 维）。它们来自"Weyl 差分"：把一个 \(k\) 次型反复做差分 \(k-1\) 次，每差一次次数降 1，最后降成关于这 \(k-1\) 个辅助向量的多重线性对象。

\(M_J^{(i)}\)

差分后得到的多重线性型（下段会精确定义）。上标 \((i)\) 对应第 \(i\) 个方程，下标 \(J\)（从 1 到 \(n\)）对应第 \(J\) 个坐标方向。

\(\min\{P,\ \|\cdots\|^{-1}\}\)

取"\(P\)"和"那个线性型到最近整数距离的倒数"中的较小者。若 \(\|\cdots\|\) 很小（线性型很贴近整数），倒数很大，但被 \(P\) 截住，所以这一项最大就是 \(P\)。它度量"线性型有多接近整数"，越接近、这项越大。

\(2^{k-1}\)

这个出现在指数上的 \(2^{k-1}\)，正是"差分 \(k-1\) 次、每次平方放大一次损耗"的代价：每做一次 Weyl 差分（用一次 Cauchy–Schwarz），损耗就翻倍，做 \(k-1\) 次就乘出 \(2^{k-1}\)。当 \(k=3\) 时 \(2^{k-1}=4\)，正好对上前面三次方程那一章里的 \(4\)。

其中 \(M_J^{(1)},\ldots,M_J^{(R)}\) 是 \(k-1\) 个点 \(\mathbf{x}^{(1)},\ldots,\mathbf{x}^{(k-1)}\) 的多重线性型，由下式定义

\[M_J^{(i)}\!\left(\mathbf{x}^{(1)}\mid\cdots\mid\mathbf{x}^{(k-1)}\right)=\sum_{j_1,\ldots,j_{k-1}} c^{(i)}_{J,j_1,\ldots,j_{k-1}}\, x^{(1)}_{j_1}\cdots x^{(k-1)}_{j_{k-1}},\]

其中 \(i=1,\ldots,R\)。引理 13.1 本身就是 \(R=1,\,k=3\) 的情形。

这一段在讲什么：精确写出上一步里出现的"多重线性型 \(M_J^{(i)}\)"是怎么从原来的型 \(f^{(i)}\) 来的。

正如在引理 13.2 中那样，由此推出，满足

\[\big|\mathbf{x}^{(1)}\big|\lt P,\ \ldots,\ \big|\mathbf{x}^{(k-1)}\big|\lt P,\] \[\big\|\alpha_1 M_J^{(1)}+\cdots+\alpha_R M_J^{(R)}\big\|\lt P^{-1},\quad (1\le J\le n),\]

的 \(k-1\) 个整点的组的个数

\[\gg P^{(k-1)n-2^{k-1}K-\varepsilon}.\]

这一段在讲什么：把上一步那个"乘积下界"翻译成更直观的计数结论：满足两类条件（向量不太长 + 线性型很贴近整数）的辅助整点组，个数很多。

\(|\mathbf x^{(j)}|

每个辅助向量的长度（各坐标绝对值）都 \(

\(\|\alpha_1 M_J^{(1)}+\cdots+\alpha_R M_J^{(R)}\|

那 \(R\) 个 \(\alpha\) 加权出的线性型，到最近整数的距离小于 \(1/P\)（非常贴近整数）。这对每个方向 \(J=1,\dots,n\) 都要成立。

把引理 12.6 使用 \(k-1\) 次（而不是像引理 13.3 的证明中那样使用两次），我们推出，满足

\[\big|\mathbf{x}^{(1)}\big|\lt P^{\theta},\ \ldots,\ \big|\mathbf{x}^{(k-1)}\big|\lt P^{\theta},\] \[\big\|\alpha_1 M_J^{(1)}+\cdots+\alpha_R M_J^{(R)}\big\|\lt P^{-k+(k-1)\theta}\]

的 \(k-1\) 个整点的组的个数

\[\gg P^{(k-1)n\theta-2^{k-1}K-\varepsilon}.\]

这一段在讲什么：把上一步的结论"压缩"——把辅助向量的搜索盒子从边长 \(P\) 缩小到 \(P^\theta\)（\(\theta\) 是 0 到 1 之间的小数），代价是线性型贴近整数的要求也相应收紧。这是为后面"提取有理逼近"做准备。

\(\theta\)（读作"theta"）

一个待定的参数，\(0<\theta<1\)。它控制"把辅助向量限制得多小"：\(P^\theta\) 比 \(P\) 小（因为 \(\theta<1\)）。选好 \(\theta\) 是后面平衡各项幂次的关键调节旋钮。

\(P^{-k+(k-1)\theta}\)

收紧后的"贴近整数"门槛。把盒子缩小，能换来线性型更贴近整数（指数更负，门槛更苛刻），这正是"缩小搜索范围以提纯逼近质量"的交易。

引理 12.6

前面的一条工具引理（一种"格点缩放/转换"原理）：它能把"在大盒子里有很多贴近整数的组"转化为"在小盒子里也有相当多（贴得更近）的组"。这里要把它连用 \(k-1\) 次。

四、二择：要么 \(S\) 小，要么得到对 \(\alpha\) 的良好联立逼近

如果在这些 \(k-1\) 个点的组中存在某一个，使得矩阵

\[ \begin{pmatrix} M_1^{(1)} & \cdots & M_1^{(R)}\\ \vdots & & \vdots\\ M_n^{(1)} & \cdots & M_n^{(R)} \end{pmatrix} \]

的秩为 \(R\)，那么我们就得到对 \(\alpha_1,\ldots,\alpha_R\) 的良好有理逼近，它们都具有相同的分母 \(q\)。这个分母来自上述矩阵中某个 \(R\) 阶行列式（非零）的值。事实上我们得到

\[|q\alpha_i-a_i|\ll P^{-k+R(k-1)\theta}\]

以及

\[q\ll P^{R(k-1)\theta}.\]

这一段在讲什么：到了"二择"逻辑的分叉口的第一支。上面已得到"很多组辅助点让 \(R\) 个线性型同时贴近整数"。现在问：这些组里有没有一组，使得那个 \(n\times R\) 矩阵满秩（秩 \(=R\)）？若有，就能反解出 \(\alpha_1,\dots,\alpha_R\) 都是"分母相同且不大"的近似有理数。

\(q\)

公共分母：取自那个 \(R\) 阶非零行列式的值。因为辅助向量都 \(

\(a_i\)

逼近 \(\alpha_i\) 的那个有理数的分子（整数），即 \(\alpha_i\approx a_i/q\)。

\(|q\alpha_i-a_i|\ll P^{-k+R(k-1)\theta}\)

逼近的精度：\(\alpha_i\) 与 \(a_i/q\) 的偏差小到这个量级。指数 \(-k\) 来自上一步线性型那个很苛刻的贴近门槛 \(P^{-k+(k-1)\theta}\)，再经 Cramer 法则用分母 \(q\) 放大，凑出 \(R(k-1)\theta\)。

这里的指数分别对应于引理 13.4 的选择 B 中的 \(-3+2\theta\) 与 \(2\theta\)。

这一段在讲什么：一句"对照注脚"，帮你把现在的一般公式接回三次方程那章。把 \(R=1,k=3\) 代入：精度指数 \(-k+R(k-1)\theta=-3+1\cdot2\cdot\theta=-3+2\theta\)；分母指数 \(R(k-1)\theta=2\theta\)。完全吻合引理 13.4"选择 B"里的那两个数。这证实了"一般 \(k,R\) 的公式确实是三次情形的忠实推广"——退化回去就一字不差。

五、真正的困难：矩阵恒不满秩——引入"奇异轨迹 \(V^*\)"

真正的困难出现在上述情形失效时，即对所有的 \(\mathbf{x}^{(1)},\ldots,\mathbf{x}^{(k-1)}\)，上述矩阵的秩都 \(\le R-1\) 时。在 \(R=1\) 的情形，这将意味着多重线性型 \(M_J\) 在所有这些整点组上全都消失。

这一段在讲什么：正式进入"选择 A"——那个让前面方法失效的坏情形：无论怎么取辅助点组，矩阵的秩永远 \(\le R-1\)（永不满秩）。这时第四节那套"反解出好逼近"的把戏就用不了，必须另想办法。

Birch 论文的主要新思想，是用簇（variety）的维数来表述这种可能性。我们把一组 \(k-1\) 个点看作 \((k-1)n\) 维空间中的单个点。上述矩阵的秩应 \(\le R-1\) 这一条件，在该空间中定义了一个代数簇；而由其上整点个数的下界，我们推出这个簇的维数

\[\ge (k-1)n-2^{k-1}K/\theta+\varepsilon.\]

这一段在讲什么：亮出 Birch 的核心新思想——把"坏情形"几何化为"一个簇的维数下界"。这是全章思想的最高点，要慢讲。

代数几何中一个简单的原理是：若我们用一个由 \(t\) 个方程定义的线性空间去与一个簇相交，则簇的维数（即其任一绝对不可约分量的最大维数）至多减少 \(t\)。因此，上述簇与'对角'线性空间

\[\mathbf{x}^{(1)}=\mathbf{x}^{(2)}=\cdots=\mathbf{x}^{(k-1)}\]

（它由 \((k-2)n\) 个方程定义）的交，其维数

\[\ge n-2^{k-1}K/\theta-\varepsilon.\]

这一段在讲什么：用一条"维数相交原理"，把上面那个住在 \((k-1)n\) 维空间的坏簇，切回到原来 \(n\) 维的变量空间。手法是和"对角线"相交——强行让 \(k-1\) 个辅助点全部相等。

"对角"线性空间 \(\mathbf x^{(1)}=\cdots=\mathbf x^{(k-1)}\)

要求 \(k-1\) 个辅助点全相等的那一组点。把它们都设为同一个 \(\mathbf x\)，相当于在 \((k-1)n\) 维空间里嵌入一条 \(n\) 维的"对角线"子空间。

为什么是 \((k-2)n\) 个方程

"全相等"\(\mathbf x^{(1)}=\mathbf x^{(2)},\ \mathbf x^{(2)}=\mathbf x^{(3)},\ \dots,\ \mathbf x^{(k-2)}=\mathbf x^{(k-1)}\) 一共 \(k-2\) 个"相邻相等"，每个是 \(n\) 个坐标方程，合计 \((k-2)\times n=(k-2)n\) 个方程。

如果 \(\mathbf{x}=\mathbf{x}^{(1)}=\cdots=\mathbf{x}^{(k-1)}\)，则这个新簇由所有满足下列条件的点 \(\mathbf{x}\) 组成：矩阵

\[ \begin{pmatrix} \dfrac{\partial f^{(1)}}{\partial x_1} & \cdots & \dfrac{\partial f^{(R)}}{\partial x_1}\\[2ex] \vdots & & \vdots\\[1ex] \dfrac{\partial f^{(1)}}{\partial x_n} & \cdots & \dfrac{\partial f^{(R)}}{\partial x_n} \end{pmatrix} \]

的秩 \(\le R-1\)。我们称之为与给定方程相关联的奇异轨迹，并记为 \(V^*\)。于是当前情形导致

\[\dim V^*\ge n-2^{k-1}K/\theta-\varepsilon.\]

这一段在讲什么：揭晓谜底——切回对角线后得到的那个簇，正是奇异轨迹 \(V^*\)（梯度矩阵退化的点集）。于是上一节的"维数下界"变成了"\(\dim V^*\) 的下界"。本章的中心概念终于精确定义。

六、关键取舍：选好 \(K\)，把坏情形彻底堵死

如果 \(\dim V^*=s\)，我们就可以通过选取

\[K=\frac{\theta}{2^{k-1}}(n-s-2\varepsilon)\]

来阻止这种情况发生（从而排除现在对应于引理 13.4 选择 A 的局面）。

这一段在讲什么：这是全章最精彩的"取舍"——既然坏情形会逼出"\(\dim V^*\ge n-2^{k-1}K/\theta-\varepsilon\)"，那我们就反过来选 \(K\)，让这个下界超过已知的真实值 \(s\)，造成矛盾，从而证明坏情形根本不可能发生。

\(s=\dim V^*\)

奇异轨迹的真实维数（这是方程组本身的固定属性，由 \(f^{(i)}\) 决定，是定理里要用到的关键不变量）。

做出这一选择后，我们就有了一个类似于选择 B 的局面；也就是说，对每一组 \(\alpha_1,\ldots,\alpha_R\)，要么有一个关于 \(|S(\alpha_1,\ldots,\alpha_R)|\) 的估计，要么有一组对 \(\alpha_1,\ldots,\alpha_R\) 的良好联立逼近。这在原则上为一种类似于第 15、16、17 章中处理单个三次方程的处理方法奠定了基础。

这一段在讲什么：收束阶段性成果——既然坏情形被堵死，剩下的永远是好情形（选择 B）：对任何一组 \(\alpha\)，二者必居其一：要么 \(|S|\) 本来就小（次弧，可忽略），要么 \(\alpha\) 有好的联立有理逼近（主弧，贡献主项）。这正是圆法需要的"干净二分"，于是可以照搬第 15–17 章处理三次方程的整套流程（划主弧次弧、算主弧主项、证次弧可忽略）。

七、最后一道坎：奇异积分，与定理 19.1

主要的困难在于奇异积分，而这里奇异簇的维数又一次起作用。对该积分的处理过于繁复，无法在此概述。本质上需要假设原始方程组定义一个维数为 \(n-R\) 的簇。

这一段在讲什么：提醒还有最后一块硬骨头——奇异积分。即便主弧次弧已分好，要真正算出主项、并证明它为正，还得处理"奇异积分"和"奇异级数"，而这里奇异簇的维数再次起决定作用。Davenport 坦言太繁，只点到为止。

Birch 论文的结果如下：

定理 19.1. 设 \(f_1,\ldots,f_R\) 是具有整系数的 \(n\) 元 \(k\) 次型，其中 \(n>R\ge 1\)。设 \(V\) 表示代数簇 \[f_1(\mathbf{x})=0,\ \ldots,\ f_R(\mathbf{x})=0,\] 并假设 \(V\) 的维数为 \(n-R\)。设 \(V^*\) 为相关联的奇异轨迹，并令 \(s=\dim V^*\)。假设 \(V\) 上有一个非奇异实点，并且对每个素数 \(p\)，\(V\) 上有一个非奇异 \(p\)-进点。那么只要 \[n-s>R(R+1)(k-1)2^{k-1},\] \(V\) 上就存在一个整点 \(\mathbf{x}\ne\mathbf{0}\)。

这一段在讲什么：本章的终极结论——Birch 定理。它把前面所有铺垫凝结成一句可检验的判据。我们逐条拆解每个前提的来历，并看清那个核心不等式的含义。

\(f_1,\dots,f_R\)（整系数 \(k\) 次型，\(n>R\ge1\)）

研究对象：\(R\) 个 \(n\) 元 \(k\) 次齐次方程，系数都是整数。\(n>R\)：变量比方程多（否则自由度不够）。

\(V\)（维数 \(=n-R\)）

方程组的公共零点簇；"维数 \(n-R\)"即第七节解释的非退化条件——\(R\) 个方程互相独立、无冗余。

\(V^*\)，\(s=\dim V^*\)

奇异轨迹（雅可比矩阵秩 \(\le R-1\) 的点集）及其维数。\(s\) 小 = 方程组"奇异点少、整体光滑"。

非奇异实点 + 每个 \(p\) 的非奇异 \(p\)-进点

就是第一节列出的两条局部假设，它们分别保证奇异积分 \(J>0\)、奇异级数 \(\mathfrak S>0\)。缺一不可（反例 (19.1) 满足这些却仍无解，正说明它们不够，所以才要补下面那条 \(n-s\) 的不等式）。

结论：存在整点 \(\mathbf x\ne\mathbf 0\)

方程组有非平凡整数解（齐次方程总有零解，关键是要非零解）。

返回 全书目录