무한 조건에서도 계산 가능한 라바시 로컬 레마

초록

본 논문은 무한히 많은 제약 조건이 존재하는 경우에도, 라바시 로컬 레마(Lovász Local Lemma)의 구성적 증명을 이용해 모든 제약을 만족하는 계산 가능한 해를 찾을 수 있음을 보인다. 이를 위해 Moser–Tardos의 재샘플링 알고리즘을 무한 상황에 적합하도록 확장하고, 수렴성과 계산 가능성을 엄밀히 분석한다.

상세 분석

라바시 로컬 레마(LLL)는 서로 약하게 의존하는 사건들의 집합이 동시에 발생하지 않을 확률이 양수임을 보장하는 강력한 비구성적 도구이다. 전통적인 증명은 확률적 존재론에 머물며, 무한한 사건군에 대해서는 컴팩트성 논증을 통해 “모든 사건을 동시에 피한다”는 결론을 끌어낸다. 그러나 이러한 논증은 실제로 계산 가능한 객체를 제공하지 못한다는 근본적인 한계가 있다. 최근 Moser와 Tardos가 제시한 구성적 증명은 각 사건을 “재샘플링”하는 단순한 알고리즘을 통해 LLL의 조건을 만족하는 구성을 효율적으로 찾을 수 있음을 보여 주었다. 이 알고리즘은 유한한 사건 집합에 대해 의존 그래프의 최대 차수가 충분히 작을 때, 기대 재샘플링 횟수가 유한함을 보이며, 따라서 알고리즘이 반드시 종료함을 보장한다.

본 논문은 이러한 Moser–Tardos 프레임워크를 무한히 많은 사건에 대해 확장한다. 핵심 아이디어는 사건들을 순차적으로, 혹은 우선순위에 따라 “점진적으로” 처리하면서, 각 단계에서 재샘플링이 유한히 많은 횟수만큼 일어나면 이후 단계에 영향을 주지 않도록 하는 것이다. 이를 위해 저자는 사건들의 의존 그래프를 가산 그래프 형태로 모델링하고, 각 사건에 대해 “활성화 시점”을 정의한다. 활성화된 사건은 아직 만족되지 않은 제약을 나타내며, 재샘플링 과정은 해당 사건에 연관된 변수들을 새롭게 할당한다. 중요한 점은, 무한히 많은 사건이 존재하더라도 각 변수는 유한히 많은 사건에만 관여한다는 가정(즉, 변수당 유한 차수)이다. 이 가정 하에, 재샘플링 과정은 각 변수에 대해 유한히 많은 업데이트만을 겪으며, 결국 모든 변수의 값이 안정화되는 시점을 보장한다.

수렴성을 보이기 위해 저자는 기대 재샘플링 횟수의 상한을 무한 급수 형태로 표현하고, LLL의 전통적인 조건인 (ep(d+1) \le 1) (여기서 (p)는 사건의 최대 발생 확률, (d)는 의존도)과 동일하거나 거의 동일한 형태의 불등식을 무한 버전으로 도입한다. 이때, 각 사건에 대한 “가중치”를 도입해 급수의 수렴성을 확보하고, Borel–Cantelli 보조정리를 효과적으로 적용한다. 결과적으로, 모든 사건이 거의 확률적으로 만족될 뿐 아니라, 실제로는 결정적인 알고리즘에 의해 만족되는 구성을 얻을 수 있다.

계산 가능성 측면에서는, 재샘플링 알고리즘이 전형적인 Turing 기계 위에서 구현 가능함을 보인다. 각 단계에서 필요한 난수 생성은 표준 가산 무작위열을 사용해 시뮬레이션할 수 있으며, 무한 루프를 방지하기 위해 “시간 제한”과 “우선순위 큐”를 도입한다. 알고리즘은 각 변수에 대해 유한히 많은 재할당을 수행하고, 그 이후에는 해당 변수를 고정한다. 따라서 전체 과정은 효과적인 절차(procedure)로서, 최종 출력은 완전 결정적인 무한 문자열이 된다.

이와 같은 결과는 기존 LLL의 비구성적 증명과는 달리, 실제로 구현 가능한 알고리즘을 제공함으로써 무한 제약 시스템에서도 계산 가능한 해가 존재함을 증명한다. 특히, 무한 그래프 색칠, 무한 SAT, 무한 매칭 등 다양한 무한 조합 최적화 문제에 직접 적용할 수 있는 강력한 도구가 된다.