대규모 네트워크를 위한 마코프 연쇄 연속극한과 PDE 모델링

본 논문은 “Continuum Limits of Markov Chains with Application to Network Modeling”이라는 제목 아래, 대규모 네트워크를 모델링하기 위한 새로운 수학적 접근법을 제시한다. 서론에서는 현재 네트워크 규모가 급격히 확대됨에 따라 전통적인 마코프 연쇄 기반 몬테카를로 시뮬레이션이 시간·자원 측면에서 비현실적이라는 점을 지적한다. 이를 해결하기 위해 전체 네트워크의 전역적 특성을 기술하는 연속적인 편미분방정식(PDE)으로 근사하는 아이디어를 제시한다. 예시로, N개의 격자점에 M개의 독립적인 랜덤 워크 입자를 배치하고, 각 입자는 좌우 이웃점으로 이동할 확률 P_l(n), P_r(n)을 가진다. 입자 수를 M으로 정규화한 상태벡터 X_N(k)/M는 시간 k에 따라 마코프 연쇄를 이루며, 이 연쇄는 선형 연산 F_N에 의해 업데이트된다. 저자들은 먼저 강법칙(SLLN)을 이용해 M→∞일 때 X_N(k)/M가 기대값 x_N(k)와 거의 동일함을 보이며, x_N(k)는 차분식 x_N(k+1)=x_N(k)+f_N(x_N(k))를 만족한다. 여기서 f_N는 F_N의 기대값이다. 이 단계에서 연속시간 확장 X_oN(t)=X_N(⌊Mt⌋)/M와 x_oN(t)=x_N(⌊Mt⌋)를 정의하고, 두 함수가 동일한 ODE ẏ=f_N(y)의 해로 수렴함을 Lemma 1을 통해 증명한다. 다음으로 N→∞(격자 간 거리 ds→0)과 dt=ds² 스케일링을 적용한다. 차분식에 테일러 전개를 수행하면, 확산계수 b(s)와 대류계수 c(s)로 표현되는 연속극한 PDE가 도출된다. 구체적으로, ∂_t x(t,s)=∂_s