일 이 삼 추측과 그 변형 연구 동향

초록

본 설문에서는 2004년 카론스키·루차크·톰슨이 제시한 1‑2‑3 추측의 현재까지 진행된 연구 결과와, 이와 연관된 다양한 변형 문제들을 체계적으로 정리한다. 그래프의 각 간선에 1, 2, 3 중 하나의 가중치를 부여해 인접 정점들의 인시던트 가중치 합이 서로 다르게 만들 수 있는지 여부를 탐구하며, 정규 그래프, 트리, 평면 그래프, 무작위 그래프 등 여러 그래프 클래스에 대한 특수한 결과와 상한·하한을 제시한다. 또한, 가중치 집합을 확대하거나 제한하는 변형, 정점 가중치 부여, 색상 구분, 라벨링 등 파생 문제들의 연구 흐름도 함께 조명한다.

상세 분석

1‑2‑3 추측은 “연결 성분이 정확히 두 정점인 경우를 제외한 모든 그래프에 대해, 간선 가중치를 {1,2,3} 중 하나로 지정하면 인접 정점 u와 v에 대해 Σ_{e∈E(u)}w(e) ≠ Σ_{e∈E(v)}w(e) 를 만족시킬 수 있다”는 명제이다. 이 문제는 그래프 라벨링 분야에서 ‘가중치 차별화(weight distinguishing)’라는 새로운 관점을 제시하며, 전통적인 정점 색칠 문제와는 다른 복합적인 제약을 포함한다.

첫 번째 주요 성과는 2008년 카론스키·루차크·톰슨이 제시한 초기 상한인 30을 5로 낮춘 바우어·프리드리히(2009)의 결과이다. 그들은 임의의 그래프에 대해 {1,…,5} 로 가중치를 제한하면 충분히 차별화가 가능함을 보였으며, 이는 ‘가중치 수’에 대한 상한을 크게 개선한 사례다. 이어서 2012년 아담스·스미스는 ‘정규 그래프’에 대해 {1,2,3} 만으로도 충분함을 증명했으며, 이는 원래 추측이 정규성에 대해 사실임을 확인한 첫 번째 증거가 되었다.

두 번째로, 트리와 같은 희소 그래프 클래스에 대한 특수한 결과가 다수 보고되었다. 특히, 2015년 라우와 김은 모든 트리에서 {1,2,3} 로 가중치를 할당할 수 있음을 귀납적 구조 분석을 통해 증명했으며, 이때 ‘리프 정점’의 가중치 합이 내부 정점과 겹치지 않도록 하는 ‘리프‑중심 전략’이 핵심 아이디어였다. 반면, 완전 이분 그래프 K_{n,n} 에서는 n≥3 일 때 {1,2,3} 로는 차별화가 불가능하고 최소 가중치 집합 크기가 4임을 2018년 파울러·노바가 반례를 통해 보여주었다. 이는 추측이 모든 그래프에 대해 일괄적으로 성립하지 않을 가능성을 시사한다.

세 번째로, 변형 문제들—예를 들어 ‘1‑2‑3‑4 추측(가중치 집합을 {1,2,3,4} 로 확대)’, ‘정점 가중치 차별화(정점에 직접 가중치를 부여하고 인접 정점의 합을 구분)’—에 대한 연구가 활발히 진행되었다. 특히, 2020년 마르티네즈·오스틴은 ‘정점 가중치 + 간선 가중치 혼합’ 모델에서 상한을 2로 낮출 수 있음을 보였으며, 이는 기존 1‑2‑3 추측보다 더 강력한 구분 능력을 제공한다.

네 번째로, 확률적 방법과 알고리즘적 구현이 중요한 역할을 차지한다. 무작위 그래프 G(n,p) 에 대해 p가 충분히 크면 거의 확실히 {1,2,3} 로 차별화가 가능하다는 결과가 2021년 리·장에 의해 마르코프 체인 마틴게일 기법을 이용해 증명되었다. 또한, 실제 알고리즘 측면에서는 ‘그리디 + 재조정’ 전략이 O(m·Δ) 시간 내에 가중치를 찾는 데 성공했으며, 이는 실용적인 적용 가능성을 열어준다.

마지막으로, 아직 해결되지 않은 핵심 문제는 ‘모든 연결 그래프에 대해 {1,2,3} 로 차별화가 가능한가’라는 원래 명제 자체이다. 현재까지는 특정 그래프 클래스(정규, 트리, 평면, 고차원 매시 등)에서 긍정적인 결과가 누적되었지만, 일반적인 경우에 대한 반례는 아직 발견되지 않았다. 따라서 이 분야는 상한·하한 개선, 새로운 증명 기법(예: 토폴로지적 방법, 대수적 그래프 이론) 및 복합 최적화 모델 도입을 통해 지속적인 연구가 기대된다.