모달 의존 논리의 복잡도 전전

초록

본 논문은 모달 의존 논리(MDL)의 다양한 제한 언어에 대한 만족도 문제의 복잡도 분류를 수행한다. 기본 MDL의 만족도는 NEXPTIME‑완전임이 알려져 있으나, 리터럴·의존 원자·합성(∧)·가능성(◇)·필연성(□)만 허용하는 ‘가난한 사람의 의존 논리’ 역시 NEXPTIME‑완전임을 보인다. 반면 부정을 배제하고 논리합(∨)만 허용하는 단조식(fragment)에서는 PSPACE‑완전으로 낮아진다. 고전적 논리합을 추가해도 복잡도는 변하지 않으며, 부정과 의존 논리합을 동시에 배제하면 복잡도가 Σ₂^P(두 번째 다항계층) 수준으로 떨어진다. 이렇게 Väänänen과 Sevenster가 제시한 모든 연산자 조합에 대해 만족도 문제의 정확한 복잡도 지도를 완성한다.

상세 분석

모달 의존 논리(MDL)는 전통적인 모달 언어에 ‘의존 원자’ = (p₁,…,pₙ₋₁; pₙ)를 도입함으로써 변수들 사이의 함수적 종속성을 표현한다. Väänänen이 제시한 원래 시스템은 전역적인 팀 의미론(team semantics)을 기반으로 하며, 이는 한 모델 내 여러 세계(state)들의 집합을 동시에 평가한다는 점에서 기존의 단일 세계 의미론과 근본적으로 다르다. 이러한 특성 때문에 만족도 검증은 단순히 모달 논리의 SAT보다 훨씬 복잡해지며, Sevenster는 전체 MDL의 SAT이 NEXPTIME‑완전임을 증명하였다.

본 논문은 이 복잡도 결과를 세밀히 분해한다. 첫 번째로 ‘가난한 사람의 의존 논리(poor man’s dependence logic)’라 명명된 fragment를 고려한다. 이 fragment는 리터럴, 의존 원자, ∧, □, ◇만을 허용하고 ∨를 배제한다. 직관적으로는 논리합이 없으므로 표현력이 제한될 것이라 예상되지만, 저자들은 의존 원자의 구조적 특성—특히 변수 간의 함수적 제약을 통해 복잡한 정보 인코딩이 가능함—을 이용해 NEXPTIME‑hardness를 유지함을 보인다. 구체적으로, 전통적인 NEXPTIME‑hard 문제인 ‘exponential tiling’ 문제를 의존 원자를 통해 모달 프레임에 효율적으로 매핑하고, 이를 통해 만족도 검증이 동일한 복잡도 클래스로 귀속됨을 증명한다.

두 번째로, 부정을 금하고 논리합(∨)만 허용하는 ‘단조 fragment’에 대해 분석한다. 여기서는 ∧ 대신 ∨를 사용함으로써 팀 의미론 하에서의 ‘분할’ 연산이 강조된다. 저자들은 이 경우 모델 검증이 전역적인 팀 분할을 탐색하는 형태가 되며, 이는 PSPACE‑complete인 QBF(Quantified Boolean Formula)와 동치임을 보인다. 구체적인 증명은 QBF의 양화 순서를 모달 연산자 □와 ◇에 대응시키고, ∨를 통해 양화 변수의 선택을 시뮬레이션하는 방식으로 진행된다. 따라서 부정이 없고 ∨만 허용될 때 복잡도가 한 단계 낮아지는 현상이 명확히 드러난다.

세 번째 기여는 고전적 논리합(⊕)을 의존 논리합과 병행하여 허용한 확장 언어이다. 고전적 ∨는 팀 의미론에서 ‘전역적 선택’이 아니라 ‘전통적 선택’으로 해석되며, 이는 기존 의존 논리합과는 독립적인 연산이다. 저자들은 이 확장을 도입해도 만족도 문제의 복잡도가 변하지 않으며, 여전히 NEXPTIME‑complete임을 증명한다. 이는 고전적 ∨가 팀 의미론의 핵심적인 복잡도 요인을 추가하지 못한다는 점을 시사한다.

마지막으로, 부정과 의존 논리합을 동시에 배제한 fragment를 고려한다. 여기서는 오직 리터럴, ∧, ∨, □, ◇만이 허용된다. 팀 의미론 하에서 ∧와 ∨는 각각 ‘교집합’과 ‘합집합’ 연산에 대응하고, 이는 다항계층의 Σ₂^P(∃∀) 수준에서 다루어지는 문제와 동형이다. 저자들은 이 fragment가 Σ₂^P‑complete임을 보이기 위해, 전통적인 Σ₂^P‑hard 문제인 ‘∃∀‑SAT’를 모달 프레임에 매핑하고, 만족도 검증이 동일한 양화 구조를 재현함을 증명한다.

전체적으로, 논문은 MDL의 연산자 조합에 따라 복잡도가 어떻게 변동하는지를 체계적으로 정리한다. 특히 의존 원자가 논리합의 부재에도 불구하고 높은 복잡도를 유지시킬 수 있음을 보여주며, 이는 팀 의미론이 제공하는 ‘전역적 정보 공유’ 메커니즘이 복잡도 상승의 핵심 원인임을 강조한다. 이러한 복잡도 분류는 향후 MDL 기반 모델 검증 도구 설계 시 어떤 연산자를 제한해야 실용적인 성능을 기대할 수 있는지에 대한 이론적 지침을 제공한다.