github-backend

博客

  • k-curvature 方程的 curvature measure 与可去奇点

    旧博客原文

    原题：k curvature方程的curvature测度和可去奇点的建立

    旧站归档中的这篇正文原本为空。

    补充说明

    以下是新整理的中文说明；上方旧博客原文保持不变。

    对 $k$-curvature 方程，一个自然问题是：若解在孤立点或小集合上奇异，是否可以通过曲率测度判断这个奇点可去？这和调和函数的容量理论非常相似，只是曲率方程是完全非线性的。

    k-curvature 方程的 curvature measure 与可去奇点
    k-curvature 的可去奇点问题可以通过曲率测度是否在奇点集中携带质量来判断。

    1. 曲率测度

    若超曲面由图 $u$ 给出，主曲率为 $\kappa_1,\ldots,\kappa_n$，则 $k$-curvature 是

    $$\sigma_k(\kappa)=\sum_{i_1<\cdots

    对应的 curvature measure 可以理解为 $\sigma_k(\kappa)\,dA$ 的弱极限。即使 $u$ 不够光滑，这个测度仍可能有意义。

    2. 可去奇点的判据

    设 $u$ 在 $\Omega\setminus\{0\}$ 中满足方程。若奇点附近的曲率测度没有原子，或者其质量低于某个容量阈值，那么奇点往往可以去掉，$u$ 延拓为整个 $\Omega$ 上的弱解。

    3. 容量思想

    容量衡量一个集合对方程的影响。对 Laplace 方程，点在高维中可能容量为零；对 $k$-Hessian 或 $k$-curvature 方程，临界维数和 $k$ 有关。这决定了哪些奇异集合是“看不见”的。

    4. 建立理论的路线

    证明通常需要三步：先定义弱曲率测度；再证明光滑逼近下测度收敛；最后用比较原理和容量估计排除奇点处的额外质量。这样可去奇点问题就变成测度是否携带集中曲率。

  • Sarnak 猜想在 skew product 上的情形

    旧博客原文

    原题：Sarnak猜想在skew product上的情形。

    Cylinder map:
    Cylender map:这是一个动力系统\Theta=(T,T^2),T:T^2\longrightarrow T^2 满足：\\
    T(x)=x+\alpha,T(y)=cx+y+h(x)
    因此
    y_1(n)=T^{n}(x)=x+n\alpha,y_2(n)=T^n(y)=nx+\frac{n(n-1)}{2}\alpha+y+\sum_{n=1}^{N-1}h(x+i\alpha)
    来自动力系统\Theta中的可观测量是指\xi(n)=f(T^n(x)),其中x\in T^2,$f\in C(T^2)$.
    由于Cylender map是零熵的，这个情形下Sarnak猜想成立等价于:
    S(N)=\sum_{n=1}^N\mu(n)\xi(n)=\sum{n=1}^N \mu(n)f(T^nx)
    满足S(N)=o(N),由于f_{\lambda_1\lambda_2}=e^{2\pi i(\lambda_1 x+\lambda_2 y)}是C(T^2)的一组基，只需对f_{\lambda_1\lambda_2}证明S(N)=o(N)\\
    展开S(N),我们有\\
    S(N)=\sum_{n=1}^N\mu(n)\xi(n)=\sum_{n=1}^N \mu(n)f(T^nx)\\

    =\sum_{n=1}^N\mu(n)e^{2\pi ik(\lambda_1(x+n\alpha)+\lambda_2(nx+\frac{n(n-1)}{2}+y\sum_{i=1}^{n-1}h(x+i\alpha)))}\\

    =\sum_{n=1}^N\mu(n)e^{2\pi i(\phi(n)+\sum_{i=1}^{n-1}h(x+i\alpha))}\\

    =\sum_{n=1}^N\mu(n)e^{2\pi i(\phi(n)+\sum_{i=1}^{n-1}\sum_{m\in Z}\hat h(m)e^{2\pi im(x+i\alpha)})}\\

    =\sum_{n=1}^N\mu(n)e^{\phi(n)+\sum_{m\in Z}e(mx)\hat H(m)\frac{e(nm\alpha)-1}{e(m\alpha)-1}} \\
    其中我们暂时假定h是解析的，实际上我们要求对h的fourior级数有下界控制，总的来说就是\exists \tau_1,\tau_2:
    e^{\tau_1 m}<<\hat h(m)<<e^{\tau_2 m}

    \begin{lemma}
    \forall A>0,\forall \phi(n) 为多项式函数,我们有指数和估计：
    |\sum_{n=1}^{N}\mu(n)e^{\phi(n)}|<<\frac{N}{(logN)^A}
    \end{lemma}

    此引理来自解析数论指数和理论， 那么\alpha \in Q情形是引理的直接推论。接下来处理\alpha \in R-Q情形，这种情形下，我们定义\alpha的连分数展开为：
    \alpha=[q_1,q_2,q_3,....]

    \begin{lemma}
    如果\alpha的连分数展开有一致的上界，即存在C\in N^*,\forall n\in N^*,1\leq q_n\leq C那么：
    sup_{0\leq a<b\leq 1}|\sum_{k=0}^{N-1}\chi_{(a,b)}(\{k\alpha\})-N(b-a)|=O(log N)

    \end{lemma}

    这个引理的证明由三部分组成，第一部分用一个初等的trick加上连分数表示得到一系列长度区间上的更好的估计，第二部分建立一个有效性估计，第三部分将任何区间拆分成第一种区间的并，并使得余项被有效性估计控制。

    我们现在考察最后这个式子：
    S(N)=\sum_{n=1}^N\mu(n)e^{\phi(n)+\sum_{m\in Z}e(mx)\hat H(m)\frac{e(nm\alpha)-1}{e(m\alpha)-1}}

    我们对这个式子建立有效的估计，指的是能够证明:
    S(N)=\sum_{n=1}^N\mu(n)e^{\phi(n)+\sum_{m\in Z}e(mx)\hat H(m)\frac{e(nm\alpha)-1}{e(m\alpha)-1}}=o(N)
    那么我们接下来建立这个估计,这个估计主要由三部分组成，我们分成三节处理这三部分，最后一节是总结。\\
    1.带密度的指数和估计。\\
    2.cut-off估计。\\
    3.一致性均匀估计。\\

    \newpage
    \section{带密度的指数和估计}
    S(N)=\sum_{n=1}^N\mu(n)e^{\phi(n)+\sum_{m\in Z}e(mx)\hat H(m)\frac{e(nm\alpha)-1}{e(m\alpha)-1}}=o(N)
    令：A_n=\mu(n)e(\phi(n)),B_n=e(\sum_{m\in Z}e(mx)\hat H(m))
    经典的指数和估计是：
    theorem：
    \forall A>0,\forall \phi(n) 为多项式函数,我们有指数和估计：
    |\sum_{n=1}^{N}\mu(n)e^{\phi(n)}|<<\frac{N}{(logN)^A}

    theorem：
    对于P是一个质数，对于P<<N_1<<N:\\定义\chi_{p}(n)=e^{\frac{2\pi in}{p}}=e_p(n), 定义f:N^*\to Im(\chi_p)满足:\\
    对于任何长度为N_1的一段区间$I$，对任意k\in \{0,1,...,p-1\},
    \sharp\{n\in I|f(n)=e_p(k)\}=\frac{N_1}{p}+O(1)

    |\sum_{n=1}^{N}\mu(n)f(n)e^{\phi(n)}|<<_{C}\frac{N}{(logN)^A}
    其中C\sim P,A\\
    \mu是Mobius函数

     

    cut-off 估计
    在式子S(N)=\sum_{n=1}^N\mu(n)e^{\phi(n)+\sum_{m\in Z}e(mx)\hat H(m)\frac{e(nm\alpha)-1}{e(m\alpha)-1}}=o(N)
    中，我们希望对m\in Z和1\leq n \leq N做cut off来简化问题。\\
    后者是简单的， 我们待定一个常数c，有:
    S(N)=\hat S(n)+\sum_{n=1}^{cN}\mu(n)e^{\phi(n)+\sum_{m\in Z}e(mx)\hat H(m)\frac{e(nm\alpha)-1}{e(m\alpha)-1}}=\hat S(n)+O(cN)
    c可以待定，之后取得任意小，所以这一部分误差不影响我们最后的结果。\\
    对m做cut off会稍微复杂一些，根据Fourior分析我们知道:\\
    1如果h\in C^{\omega}(T),则
    \hat h(m)=O(e^-\tau m).
    2.若h\in C^{d}(T)，则根据分部积分公式\hat h(m)=O(m^{-d}).\\
    接下来的结果可能可以用调和分析中的几乎正交性改进到更好的结果，但是至少我们有:\\
    e(\sum_{|m|>\delta}e(mx)\hat H(m)\frac{e(nm\alpha)-1}{e(m\alpha)-1})\sim \sum_{|m|>\delta}e(mx)\hat H(m)\frac{e(nm\alpha)-1}{e(m\alpha)-1}
    =O(\sum_{|m|>\delta}m \cdot m^{-d})=O(\delta^{d-2})
    所以至少当d>2时，我们可以找到\delta \to \infty当$N\to \infty$，使得|m|>\delta的部分可以被cut off.

    连分数与Ostrowoski表示
    我们知道任何一个(0,1)中的数都有连分数表示，并且这个表示是唯一的。
    \alpha=(q_1,q_2,....,q_n,...)
    此时我们定义正整数集N^*关于\alpha的Ostrowoski表示（wangzhiren 2）：
    定义：
    每一个正整数n可以唯一的表示为：
    n=\sum_{i=0}^{\infty}(\Pi_{j=0}^{i-1}q_j)r_i
    其中r_i \in [0,q_{i}-1]

    很明显上面表示中只有有限个r_i不为0,为什么要利用Ostrowoski表示，关键在于Ostrowoski表示中的标架\{q_1...q_k\}是最佳逼近下最好的标架。\\
    实际上我们归纳定义\alpha-标准长度\{l_k\}_{k=1}^{\infty}如下：

    l_1=\alpha,l_{k+1}=1-[\frac{1}{l_k}]l_k

    容易知道l_{k+1}<l_{k},做一些微小的计算会发现第k个\alpha-标准长度和连分数展开的前k项系数乘积之间能够相互控制。
    lemma:
    \forall k\in N^*
    \frac{1}{2q_1...q_k}<l_k<\frac{1}{q_1....q_k}

    直接将\alpha的连分数展开代入计算即可证明。\alpha-标准长度的关键性质是\{n\alpha\}在这个区间中的均匀分布性的余项可以得到很好地控制。
    lemma:
    对任意k\in N^*,对任意长度为l_k=(a,b)的区间I_k\subset (0,1),\forall N\in N^*我们有：
    \sum_{n=1}^N\chi_{(a,b)}(\{n\alpha\})=N(b-a)+O(1)

    证明是对k归纳，实际上k等于1的时候将f(n)=\{n\alpha\}提升为g=n\alpha,因为实轴上长度为\alpha的区间中一定会包含一个\{g(1),...,g(n)\}中的元素，有由于长度为n\alpha的区间中有[n\alpha]个整数，所以：
    \sum_{n=1}^N\chi_{(a,b)}(\{n\alpha\})=[N\alpha]=N(b-a)+O(1)
    归纳过渡也是简单的。

    \section{一致性均匀估计}
    最后我们要建立一致性均匀估计，将对
    S(N)=\sum_{n=1}^N\mu(n)e^{\phi(n)+\sum_{m\in Z}e(mx)\hat H(m)\frac{e(nm\alpha)-1}{e(m\alpha)-1}}
    进行多尺度分解，并且说明他和一个多重带密度的指数和的差是$o(N)$
    \newpage

     

    补充说明

    以下是新整理的中文说明；上方旧博客原文保持不变。

    这篇笔记讨论一个很典型的零熵动力系统：圆环或二维环面上的 skew product。Sarnak 猜想在这里会变成一个指数和问题。动力系统给出相位，莫比乌斯函数给出算术权重，最后要证明两者没有长期相关。

    Sarnak 猜想在 skew product 上的情形
    Skew product 的迭代把 Fourier character 转成带有旋转 Birkhoff sum 的指数和。

    1. Skew product 的形式

    考虑二维环面上的映射

    $$T(x,y)=(x+\alpha,\;y+h(x))\pmod 1.$$

    这里 $\alpha$ 是旋转数，$h$ 是足够光滑或解析的函数。若 $f\in C(\mathbb T^2)$，Sarnak 猜想要求

    $$\frac1N\sum_{n\le N}\mu(n)f(T^n(x,y))\to0.$$

    由于 trigonometric polynomials 在 $C(\mathbb T^2)$ 中稠密，可以先检验 Fourier characters $f(x,y)=e(mx+ny)$。

    2. 相位展开

    迭代 $T$ 得到

    $$T^k(x,y)=\left(x+k\alpha,\;y+\sum_{j=0}^{k-1}h(x+j\alpha)\right).$$

    所以相关和变成

    $$\sum_{k\le N}\mu(k)e\left(m(x+k\alpha)+n y+n\sum_{j

    问题的核心是控制这个由旋转 Birkhoff sum 产生的相位。若 $h$ 是多项式或 Fourier 支持很简单，相位可以化成多项式相位，经典解析数论的指数和估计可以直接进入。

    3. 有界型旋转数

    当 $\alpha$ 的连分数展开系数有一致上界时，旋转轨道具有较好的均匀分布余项。Ostrowski 表示把任意长度拆成由分母 $q_k$ 控制的标准块：

    $$N=\sum_k b_k q_k.$$

    这些标准块是处理旋转和的自然尺度。每一块上相位的波动可控，块与块之间再通过 cut-off 和 Fourier 展开拼接。

    4. Cut-off 与 Fourier 级数

    若 $h$ 解析，它的 Fourier 系数指数衰减；若只要求有限光滑性，则系数只有多项式衰减。把高频部分 cut off 后，误差由

    $$\sum_{|r|>R}|\widehat h(r)|$$

    控制。低频部分则给出有限多个可估的指数和。这里调和分析中的 almost orthogonality 可以改进一些粗糙估计，但最重要的是把问题压缩到有限频率。

    5. 证明图像

    整个论证可以理解成三层：先把 observables 化成 Fourier characters；再把 skew product 的迭代化成旋转和；最后用连分数分块、cut-off 和带密度的指数和估计控制莫比乌斯相关。这个模型清楚展示了 Sarnak 猜想在零熵系统中常见的结构：动力系统低复杂度负责给出可分解相位，解析数论负责证明乘法函数无法跟随这些相位。

  • 随机矩阵与 zeta 函数的 moment 估计

    旧博客原文

    原题：随机矩阵与zeta函数的moment估计

    旧站归档中的这篇正文原本为空。

    补充说明

    以下是新整理的中文说明；上方旧博客原文保持不变。

    Riemann zeta 函数在临界线上的矩估计是解析数论的中心问题之一。随机矩阵理论给出一个非常强的模型：$\zeta(1/2+it)$ 的局部统计像酉矩阵特征多项式在单位圆上的取值。

    随机矩阵与 zeta 函数的 moment 估计
    随机酉矩阵特征多项式为 zeta 函数临界线矩估计提供了主项指数和常数结构的模型。

    1. zeta 矩

    第 $2k$ 阶矩通常写成

    $$M_k(T)=\int_0^T|\zeta(1/2+it)|^{2k}\,dt.$$

    猜想主项形如

    $$M_k(T)\sim C_k T(\log T)^{k^2}.$$

    2. CUE 模型

    取 $U\in U(N)$ 为 Haar 随机酉矩阵，考虑特征多项式

    $$Z_U(\theta)=\det(I-e^{-i\theta}U).$$

    Keating-Snaith 模型把 $N$ 与 $\log T$ 对应，并用 $\mathbb E|Z_U(\theta)|^{2k}$ 预测 zeta 矩中的 $k^2$ 指数。

    3. 算术因子

    随机矩阵只解释对称性和谱统计部分。zeta 函数还包含 Euler product，因此常数 $C_k$ 应分解成随机矩阵因子和算术 Euler product 因子。

    4. 为什么这个模型有效

    零点统计、特征多项式矩和 logarithmic correlation 都显示出同一类结构。随机矩阵不是证明本身，但它给出正确主项、正确指数和很多低阶项的预测，是组织 zeta 矩问题的有效语言。

  • Schrodinger 方程的衰减性估计：dispersive estimate 与 Strichartz

    旧博客原文

    原题：关于shordinger方程的衰减性估计

    旧站归档中的这篇正文原本为空。

    补充说明

    以下是新整理的中文说明；上方旧博客原文保持不变。

    自由 Schrodinger 方程

    $$i\partial_tu+\Delta u=0,\qquad u(0)=u_0$$

    的解为 $u(t)=e^{it\Delta}u_0$。衰减估计描述的是：初始波包随着时间扩散，点态振幅下降。

    Schrodinger 方程的衰减性估计：dispersive estimate 与 Strichartz
    Schrodinger 衰减估计来自自由传播核的二次振荡，进一步导出 Strichartz estimates。

    1. 核函数公式

    在 $\mathbb R^d$ 上，传播算子有显式核

    $$e^{it\Delta}u_0(x)=\frac1{(4\pi it)^{d/2}}\int_{\mathbb R^d}e^{i|x-y|^2/(4t)}u_0(y)\,dy.$$

    直接取绝对值得到 dispersive estimate：

    $$\|e^{it\Delta}u_0\|_{L^\infty}\le C|t|^{-d/2}\|u_0\|_{L^1}.$$

    2. 衰减来自振荡

    核的大小给出 $|t|^{-d/2}$，本质上是相位 $|x-y|^2/(4t)$ 的非退化二次振荡。高维中波包扩散到更大的空间体积，所以衰减更快。

    3. Strichartz 估计

    把 dispersive estimate 与 $L^2$ 守恒结合，通过 $TT^*$ 方法可以得到 Strichartz estimates：

    $$\|u\|_{L_t^qL_x^r}\le C\|u_0\|_{L^2},$$

    其中 $(q,r)$ 满足 Schrodinger admissible 条件。

    4. 非线性方程中的作用

    对非线性 Schrodinger 方程，衰减估计控制 Duhamel 项，使局部适定性、散射、小数据全局解等问题可以在函数空间中闭合。

  • 与调和函数正交的函数是否一定为零？从多项式密度到分布版本

    旧博客原文

    原题：与调和函数正交的函数是否一定是0

    这是来自mathoverflow的一个问题：

    原始的问题是简单的，陈述如下：

    问题1：f\in C_{c}^{\infty}(B)，且满足对任意满足：\exists n\in N^*,\Delta^n g=0的函数g,有\int_{B}fg=0,那么f=0。

    证明只需注意到所有多项式都满足条件以及weierstrass逼近定理。

    人们自然想到将算子\Delta推广到算子 \Delta_f=f\Delta，这将导致如下问题。

    问题2f\in C_{c}^{\infty}(B)，且满足对任意满足：\exists n\in N^*,(\Delta_f)^n g=0的函数g,有\int_{B}fg=0,那么f=0。

     

    问题1在分布意义下是这样的：

    问题3：T是一个分布，满足对任意\exists n\in N^*,\Delta^n g=0的测试函数空间中的函数g\in D(B),成立有T(g)=0，则T=0。

     

    同样的问题2也能放入分布的框架下：

    问题4T是一个分布，满足对任意\exists n\in N^*,\Delta_f^n g=0的测试函数空间中的函数g\in D(B),成立有T(g)=0，则T=0。

     

    对于简单的f，问题4是对的。比如f为常数函数和线性函数。

     

     

    补充说明

    以下是新整理的中文说明；上方旧博客原文保持不变。

    一个自然问题是：如果函数 $f$ 与所有调和函数都正交，是否推出 $f=0$？答案取决于所在区域、测试函数空间和“调和函数族”是否足够大。

    与调和函数正交的函数是否一定为零？从多项式密度到分布版本
    与所有调和函数正交是否推出函数为零，关键取决于调和测试函数族的密度。

    1. 基本问题

    设 $\Omega$ 是区域，若

    $$\int_\Omega f(x)h(x)\,dx=0$$

    对所有满足 $\Delta h=0$ 的 $h$ 都成立，是否推出 $f=0$？

    在某些简单情形下，答案是肯定的，因为调和多项式或普通多项式在相关函数空间中足够稠密。

    2. Weierstrass 逼近

    若所有多项式都包含在允许的测试函数族里，或者可以由调和对象生成足够多的多项式，那么由 Weierstrass theorem，连续函数可被多项式一致逼近。此时正交于所有测试函数会推出 $f$ 作为测度为零。

    3. 算子推广

    把 Laplacian 换成一般算子 $L$ 后，问题变成：$Lh=0$ 的解空间是否足以分离所有 $f$？这与 Runge approximation、unique continuation 和椭圆算子的可解性有关。

    4. 分布版本

    若 $T$ 是分布，且

    $$\langle T,\varphi\rangle=0$$

    对所有 $L\varphi=0$ 的测试函数成立，是否推出 $T=0$？这个问题更敏感，因为测试函数必须同时满足 PDE 和支撑/边界条件。

    5. 关键点

    正交条件本身不神秘，真正的问题是解空间的密度。如果 PDE 的解族在目标空间中稠密，就能推出唯一性；如果解族太小，就会存在非零对象与它全部正交。

  • 包含边长为 1 的正三角形的椭圆的最小面积

    旧博客原文

    原题：包含边长为1的正三角形的椭圆的最小面积

    这个问题其实很简单，我们只需要注意到在仿射变换下\frac{S_{\Delta}}{S_{Elliptic}}不变。那么问题会转化为求圆内面积最大的三角形，实际上就是正三角形了。

    但是我没想到这一点，实际上我是在圆附近计算保持正三角形，固定一个端点的面积变分的一阶微扰。

    补充说明

    以下是新整理的中文说明；上方旧博客原文保持不变。

    问题是：所有包含边长为 $1$ 的正三角形的椭圆中，面积最小的是哪一个？直接算椭圆参数当然可以，但最干净的思路是利用仿射不变量。

    包含边长为 1 的正三角形的椭圆的最小面积
    仿射变换把任意椭圆化为圆盘，原问题随之化成圆内最大面积三角形问题。

    1. 仿射归一化

    任意椭圆都可以通过一个仿射变换送到单位圆盘。仿射变换会同时缩放三角形面积和椭圆面积，因此“面积比”保持不变。于是问题等价于：单位圆盘中能放入的三角形面积最大是多少。

    2. 圆内最大三角形

    在单位圆中，给定三个顶点在圆周上，三角形面积为

    $$A=\frac12\left|\sum_{j=1}^3 \sin(\theta_{j+1}-\theta_j)\right|.$$

    在角度间隔和为 $2\pi$ 的约束下，凹性或 Jensen 不等式说明最大值在三个间隔相等时取得，也就是正三角形。

    3. 回到原问题

    边长为 $1$ 的正三角形外接圆半径是

    $$R=\frac1{\sqrt3}.$$

    因此最小椭圆就是它的外接圆，面积为

    $$\pi R^2=\frac{\pi}{3}.$$

    4. 为什么微扰计算会绕远

    若固定一个端点，对椭圆做一阶变分，也能发现正三角形附近是极值。但这条路会被坐标和约束缠住。仿射观点直接把问题转成圆中最大面积三角形，结构一下子清楚了。

  • Incidence combinatorics：从 Sylvester-Gallai 到 polynomial method

    旧博客原文

    原题：incidence combinatorics

    the method from algebraic geometry and algebraic topology have a effect on incidence combinatorics this years.espatialy on finite field case.there is some examples of the achievement follow this idea.

    Dvir-Finite Kakeya conjecture

    Guth-Katz-Erdos Distance problem

    there is a example with classical algebraic geometry,cubic curve in fact.

    Ben Green:

    P\subset R^2,P is a set consist with n points.

    A k-rich line is a line in R^2 which  contain k points of P

    N_k=#k-rich lines,k\geq 2.we call 2-rich line as original line.

    there is a classical theorem:

    Sylvester-Gallai theorem:if the points in P is not collinear,then N_2\geq 2.

    this theorem is not true in other fields.

    there is a lots of counterexample.

    the original proof of sylvester-Galli theorem:

    find the pair of point and line minimize the distance from the point to the line.if the line is not original we can get a contradiction!

    this proof is very pretty,but too clever to extend to a system method to deal with similar problem in incidence geometry…

     

     

    补充说明

    以下是新整理的中文说明；上方旧博客原文保持不变。

    Incidence combinatorics 研究点、线、曲线或更高维对象之间的相交关系。近年的一个重要趋势是：代数几何和拓扑方法进入组合问题，尤其在有限域 Kakeya、Erdos distance problem 和 rich lines 问题中非常有效。

    Incidence combinatorics：从 Sylvester-Gallai 到 polynomial method
    Incidence combinatorics 中，多项式方法把组合相交数量转化为低次数多项式的消失结构。

    1. Rich lines

    给定点集 $P$，若一条线包含至少 $k$ 个点，就称为 $k$-rich line。基本问题是估计这样的线有多少条。过多 rich lines 往往说明点集具有低维代数结构。

    常用的计数对象是 incidence number

    $$I(P,\mathcal L)=\#\{(p,\ell):p\in P,\ \ell\in\mathcal L,\ p\in\ell\}.$$

    2. Sylvester-Gallai 定理

    经典 Sylvester-Gallai theorem 说：实平面中有限点集若不共线，则存在一条 ordinary line，即恰好经过两个点的直线。

    传统证明选取点到线的最小距离，十分漂亮，但也很“巧”。它揭示了实数域的序结构，而这正是有限域中定理失败的原因之一。

    3. Polynomial method

    Dvir 证明有限域 Kakeya 猜想的思想是：若点集太小，就存在一个低次数非零多项式在其上消失；但 Kakeya 集包含每个方向的一条线，于是多项式会在太多直线上消失，最后被迫恒为零，矛盾。

    4. Guth-Katz 图像

    在 Erdős distance problem 中，Guth-Katz 把距离问题转成三维空间中的线 incidence 问题，再用 ruled surfaces 和 polynomial partitioning 控制相交结构。这说明 incidence combinatorics 的核心不是数点，而是识别迫使 incidence 变多的代数几何原因。