중첩 캔알리징 함수와 평균 민감도

초록

본 논문은 중첩 캔알리징 함수(NCF)의 대수적 정규형을 고유하게 규정하고, ‘층 번호(Layer Number)’라는 새로운 개념을 도입하여 NCF의 개수, 층별 개수, 해밍 무게, 변수 활동도, 평균 민감도 등을 명시적인 식으로 유도한다. 이를 통해 NCF가 임의의 부울 함수에 비해 평균 민감도가 0과 2 사이에 머무르며, 특히 층이 하나일 때 최소값을, 층이 최대인 n‑1일 때 최대값에 근접한다는 안정성 특성을 이론적으로 설명한다.

상세 분석

논문은 먼저 F₂ 위의 n변수 부울 함수를 대수적 정상형(ANF)으로 표현할 수 있음을 상기하고, NCF의 정의를 기존 문헌과 동일하게 ‘각 변수에 순차적으로 캔알리징 입력값 a_i와 캔알리징 출력값 b_i를 지정한다’는 형태로 정리한다. 핵심 기여는 ‘층 번호(Layer Number)’라는 개념이다. NCF를 M₁·(M₂·(…·(M_r⊕1)⊕1)… )⊕b 형태의 중첩된 확장 모노미얼(extended monomial)들의 연쇄로 유일하게 분해할 수 있음을 보이며, 각 M_i가 차지하는 변수 집합을 하나의 층으로 정의한다. 이때 r이 바로 층 번호이며, 첫 번째 층에 속한 변수들은 가장 높은 지배력을 갖는다.

이러한 분해를 바탕으로 저자들은 다음과 같은 정량적 결과를 도출한다.

1. 전체 NCF의 개수는 각 층에 배정되는 변수 수와 a_i, b_i 선택에 대한 조합을 곱한 형태로 명시적으로 계산된다. 특히 층 번호가 r일 때의 개수는 조합론적 식 C(n‑1, k₁‑1)·…·2^{n‑r} 로 표현된다.
2. 특정 층 번호를 갖는 NCF의 수는 위 식에 층별 변수 수를 고정한 뒤 남은 자유도를 고려해 구한다.
3. NCF의 해밍 무게는 각 층의 모노미얼이 1이 되는 경우의 수를 합산함으로써 H(f)=2^{n‑1}−2^{n‑r} 와 같은 간단한 식으로 얻어진다.
4. 변수 활동도(activity)는 해당 변수가 속한 층의 깊이에만 의존한다. 더 높은 층(즉, 더 외부에 위치한 변수)일수록 활동도가 크며, 같은 층에 속한 변수들은 동일한 활동도를 가진다. 이는 식 A_i = 2^{n‑k_i‑1} (k_i는 해당 변수가 속한 층의 변수 수) 로 정리된다.
5. 평균 민감도(S) = Σ_i A_i 를 이용해 S = 2−2^{1‑r} 로 간단히 표현한다. 여기서 r은 층 번호이다. 따라서 r=1일 때 S_min=0, r=n‑1일 때 S_max≈4/3 (저자들의 추측)이며, 모든 NCF에 대해 0≤S≤2가 성립한다.

특히 평균 민감도가 2보다 작다는 결과는 무작위 부울 함수가 평균 민감도 n/2를 갖는 것과 대비돼, NCF가 동적 시스템에서 ‘안정성(stability)’을 제공한다는 이론적 근거를 제공한다. 저자들은 또한 층 번호가 최대일 때 평균 민감도가 최대에 근접한다는 경험적 관찰을 바탕으로, 평균 민감도의 상한을 4/3으로 제시하고 이를 증명 가능한 목표로 남겨두었다.

이 논문은 NCF의 구조적 특성을 대수적·조합론적으로 완전히 규명함으로써, 유전 네트워크 모델링, 디지털 회로 설계, 그리고 복잡계 이론에서 NCF가 왜 자주 등장하는지를 수학적으로 설명한다. 또한 층 번호라는 새로운 분류 체계는 변수의 지배력과 민감도를 정량화하는 도구로 활용될 수 있어, 향후 네트워크 설계나 분석에 실용적인 지표가 될 전망이다.