반복 모스 분해를 이용한 호몰로지와 지속적 호몰로지 계산 혁신

초록

본 논문은 이산 모스 이론의 개념을 활용해 호몰로지와 지속적 호몰로지를 전적으로 그래프 연산으로 구현하는 새로운 알고리즘을 제시한다. 기존 모스 이론에서 발생하는 복잡한 매칭 문제를 피하기 위해 ‘반복 모스 분해(iterated Morse decomposition)’를 도입했으며, 이는 차원에 구애받지 않고 정확성을 보장한다. 결과적으로 고차원 복합체에서도 효율적인 계산이 가능해졌다.

상세 분석

논문은 먼저 전통적인 이산 모스 이론이 제공하는 셀 복합체의 축소 과정이 매칭 선택에 크게 의존한다는 점을 지적한다. 매칭을 잘못 선택하면 남는 비정상적인 셀(critical cell)이 급증해 계산 복잡도가 폭발한다. 이를 해결하기 위해 저자들은 ‘반복 모스 분해’를 제안한다. 핵심 아이디어는 초기 복합체에 대해 가능한 모든 단순 매칭을 적용한 뒤, 얻어진 모스 복합체에 다시 동일한 과정을 반복한다는 것이다. 각 반복 단계에서 남는 critical cell의 수는 급격히 감소하며, 최종적으로는 동등한 호몰로지 클래스를 보존하면서도 최소한의 critical cell만을 포함하는 복합체에 수렴한다.

알고리즘은 두 가지 기본 그래프 연산으로 구성된다. 첫 번째는 셀 간의 인접 관계를 나타내는 이분 그래프에서 최대 매칭을 찾는 단계이며, 이는 Hopcroft‑Karp 알고리즘 등 기존의 선형 시간 매칭 알고리즘을 그대로 사용할 수 있다. 두 번째는 매칭에 의해 쌍을 이루는 셀을 제거하고, 남은 셀들의 경계 연산자를 업데이트하는 단계이다. 경계 연산자는 행렬이 아닌 인접 리스트 형태로 유지되므로, 차원에 관계없이 메모리 사용량이 선형에 가깝다.

저자들은 이 절차가 ‘동형 사상(isomorphism)’을 보존한다는 수학적 증명을 제공한다. 구체적으로, 각 반복 단계에서 원래 복합체와 축소된 모스 복합체 사이에 체인 동형 사상이 존재함을 보이며, 따라서 호몰로지 군은 변하지 않는다. 또한, 지속적 호몰로지의 경우 필터링 순서를 유지하면서 동일한 매칭 과정을 적용하면, 필터링 단계마다 발생하는 바코드(barcode) 변화를 정확히 추적할 수 있다. 이는 기존에 복합체 전체를 재구성하거나 복잡한 행렬 소거를 수행해야 했던 방법에 비해 계산량을 크게 줄인다.

실험 결과는 여러 차원과 규모의 데이터셋(예: 고차원 토러스, 랜덤 체인 복합체, 이미지 기반 메쉬)에서 수행되었으며, 특히 차원이 4 이상인 경우 기존 소프트웨어 대비 5배 이상 빠른 수행 시간을 기록했다. 메모리 사용량 역시 동일하거나 감소했으며, 이는 그래프 기반 구현이 희소성을 효과적으로 활용하기 때문이다.

이 논문은 이산 모스 이론을 ‘반복’이라는 메타 레벨에서 재구성함으로써, 매칭 선택에 대한 의존성을 최소화하고, 전통적인 행렬 기반 호몰로지 계산의 한계를 극복한다는 점에서 학술적·실용적 의의가 크다.