劳亚维茨指数的代数理论

我们发展了一套统一的代数和价值论理论，用于处理graded families 和理想过滤器的劳亚维茨指数。 在此框架下，局部劳亚维茨指数、梯度指数以及无穷远指数都实现为过滤器之间渐近包含阈值，由积分闭包控制。这种重新表述表明，劳亚维茨指数本质上是价值优化问题。论文的核心结构贡献是有限最大原理。在可验证的代数假设下，先验的无限价值上确界界定劳亚维茨指数，化为有限最大值，并精确计算劳亚维茨指数。我们识别了两种导致此现象的互补机制：来自归一化 blowup 和 Noetherian Rees 代数的数值测试，以及在线性有界性假设下归一化价值空间紧致性导致的取得。该有限最大框架产生强大的结构后果。我们证明了常见的极端价值导致劳亚维茨比率相等的刚性结果，并在家族中建立了劳亚维茨指数的分层和稳定现象，包括分数线性性和沿自然一参数变形的墙-室行为。该理论恢复并解释了 toric 和 Newton-多面体设置中的经典结果，特别是对于 Newton non degenerate 情形，劳亚维茨指数由对应于面元数据的最多 finitely 个 toric divisorial 价值计算。最后，我们说明归因于有限最大原理的假设至关重要，阐明了该理论的精确范围。