무작위 순차 재규격화와 응집성 퍼콜레이션 연구

초록

**
본 논문은 무작위 순차 재규격화(RSR) 과정을 통해 ER 그래프와 스케일프리 네트워크의 구조 변화를 분석하고, 모든 네트워크에서 나타나는 2차 전이인 ‘응집성 퍼콜레이션’ 현상을 규명한다. 전이 전후의 임계 지수와 스케일링 관계를 정량화하고, 평균장 이론과 뉴먼‑지프 알고리즘을 활용한 대규모 시뮬레이션 결과를 제시한다.

**

상세 분석

**
본 연구는 기존의 병렬 박스 커버링 방식과 달리, 매 단계마다 하나의 노드를 무작위로 선택하고 그 주변 반경 b 내의 모든 이웃을 하나의 슈퍼노드로 합치는 무작위 순차 재규격화(RSR) 방식을 도입한다. 이 과정은 클러스터 성장으로도 해석될 수 있어, 뉴먼‑지프(Newman‑Ziff) 알고리즘을 그대로 적용해 대규모 네트워크(10⁷ 노드 이상)에서도 고속 시뮬레이션이 가능하도록 설계되었다.

RSR을 적용한 결과, ER 그래프와 스케일프리(Barabási‑Albert) 네트워크 모두 ‘응집성 퍼콜레이션(agglomerative percolation, AP)’이라 명명된 2차 상전이를 보인다. ER 그래프에서는 N/N₀ 비율이 유한한 값에서 전이가 발생하고, 평균 차수(k̄)와는 무관하게 동일한 임계 지수를 갖는다. 반면 스케일프리 네트워크에서는 전이가 N/N₀ → 1 근처에서 일어나며, 전이 구간이 매우 좁아 정밀한 수치 측정이 어려운 점이 강조된다.

전이 전후의 스케일링 거동은 전통적인 퍼콜레이션 이론과 동일한 관계식, 예를 들어 β, γ, ν와 같은 임계 지수가 서로 일관된 형태로 나타난다. 특히, 질량 분포(mass distribution)와 차수 분포(degree distribution) 모두 동일한 임계 행동을 보이며, 이는 클러스터 질량을 추적하는 것이 차수 추적보다 통계적으로 더 효율적임을 시사한다.

또한, 평균장 이론(mean‑field theory)을 생성함수(formal generating function) 기반으로 전개하여, 전이 전의 네트워크 동역학을 정확히 기술한다. 이 이론은 ER 그래프와 ‘annealed model’(연결이 매 단계마다 재배열되는 가상의 모델)에서 시뮬레이션 결과와 거의 일치하지만, 전이 이후에는 루프와 큰 변동(fluctuation) 때문에 적용이 불가능함을 확인한다.

마지막으로, 전이 후 네트워크는 중심 허브가 대부분의 노드를 흡수한 ‘스타 구조(star‑like)’로 수렴한다. 이는 Radicchi 등(2008)의 결과와 일치하며, RSR이 네트워크를 점진적으로 ‘슈퍼노드’ 중심으로 압축한다는 물리적 직관을 제공한다. 전체적으로, RSR은 기존의 박스 커버링 방식보다 더 세밀한 RG 흐름을 제공하고, 복잡계 네트워크에서 보이는 스케일링 법칙이 실제로는 응집성 퍼콜레이션 전이에 기인한다는 새로운 해석을 제시한다.

**