언어와 코드와 DNA의 n튜플 Zipf 법칙과 복제 붙여넣기 모델

초록

본 논문은 언어 텍스트, 컴퓨터 프로그램 코드, DNA 서열 및 음악 데이터에서 n‑튜플 형태의 Zipf 법칙이 광범위하게 나타남을 실증하고, 무작위 구간을 복제해 현재 시퀀스 뒤에 붙이는 단순한 복제‑붙여넣기 모델을 제안한다. 시뮬레이션 결과는 모델이 n‑튜플 파워‑로우를 재현함을 보여주며, Zipf 지수와 파워‑로우가 시작되는 최소 n값에 대한 두 식을 도출해 실제 데이터와 일치시킨다. 또한 DNA의 ATGC 비대칭 현상도 모델이 설명한다.

상세 분석

이 연구는 기존의 단일 심볼 Zipf 분석을 확장하여, 연속된 n개의 심볼(즉, n‑튜플)로 구성된 패턴이 어떻게 전역적인 파워‑로우를 형성하는지를 탐구한다. 언어 코퍼스, 오픈소스 프로그램, 인간 게놈, 그리고 클래식 음악 악보를 대상으로 n‑튜플 빈도 분포를 측정한 결과, n이 일정 수준(보통 3~5) 이상일 때 로그‑로그 플롯에서 직선 형태의 스케일링이 뚜렷이 나타났다. 이는 단순히 개별 토큰의 빈도만을 고려하는 전통적 Zipf 법칙과는 다른, 고차원 구조적 규칙성을 시사한다.

모델 설계는 Simon 모델의 ‘선호적 선택’ 메커니즘을 차용하면서도, 복제‑붙여넣기라는 구체적 연산을 도입한다. 초기 시퀀스(예: 임의의 짧은 문자열)를 시작으로, 매 단계마다 현재 시퀀스에서 무작위 구간을 선택하고 그 구간을 그대로 복제해 시퀀스 끝에 추가한다. 이 과정은 두 가지 확률적 요소를 포함한다. 첫째, 구간 길이 L은 사전 정의된 확률분포(보통 지수 혹은 파워‑로우)에서 샘플링된다. 둘째, 구간 시작 위치는 현재 시퀀스 길이에 비례한 균등 분포로 선택된다. 이러한 선택은 기존 심볼이 재사용될 확률을 자연스럽게 높이며, 결과적으로 n‑튜플이 반복적으로 등장해 빈도‑순위 관계가 급격히 비대칭적으로 변한다.

시뮬레이션 결과는 이론적 기대와 일치한다. 모델 파라미터(복제 확률 p, 구간 길이 평균 ⟨L⟩ 등)를 조정하면, 경험적으로 관측된 Zipf 지수 α와 최소 n* (파워‑로우가 나타나는 최소 튜플 길이) 를 정확히 예측할 수 있다. 특히, α≈1/(1−p) 라는 식과 n*≈log₁₊⟨L⟩(N) (N은 최종 시퀀스 길이) 라는 근사식이 실험 데이터와 높은 상관관계를 보인다.

DNA 데이터에 적용했을 때는 흥미로운 추가 현상이 발견된다. 모델은 복제 구간이 무작위이지만, 복제 과정에서 특정 염기(A,T,G,C)의 상대적 비율이 미세하게 변하는 ‘대칭 파괴’ 현상을 재현한다. 이는 실제 게놈에서 관측되는 AT/GC 비율 차이와 유사하며, 복제‑붙여넣기 메커니즘이 진화적 변이와 유사한 통계적 효과를 낼 수 있음을 시사한다.

결론적으로, 이 논문은 복제‑붙여넣기라는 매우 직관적인 프로세스가 다양한 정보 매체에서 n‑튜플 Zipf 법칙을 생성한다는 강력한 증거를 제공한다. 모델의 단순성에도 불구하고, 고차원 통계적 패턴을 설명할 수 있다는 점은 복잡계 이론과 정보 과학 분야에 새로운 연구 방향을 제시한다.