한정 기억 과정의 체계적 열거

초록

본 논문은 ε-머신이라는 인과적 표현을 이용해 유한 메모리를 갖는 확률 과정들을 효율적으로 열거하는 방법을 제시한다. 자동이론의 관점에서 ε-머신을 정의하고, 접근 가능한 결정적 유한 자동(DFA) 생성 알고리즘을 변형해 과도한 후보군을 제거한다. 이를 통해 8 상태·6 문자 알파벳까지의 위상 ε-머신을 정확히 열거한다.

상세 분석

이 연구는 복잡계 과학과 정보 이론에서 핵심적인 모델인 ε-머신을 형식 언어 이론과 연결함으로써, 기존에 경험적·샘플 기반으로만 접근하던 유한 메모리 확률 과정의 구조적 탐색을 전산적으로 가능하게 만든다. 먼저 저자들은 ε-머신을 “통계적 등가성”을 만족하는 최소 결정적 유한 자동으로 정의한다. 여기서 중요한 제약은 (1) 상태 전이의 확률이 0이 아닌 경우에만 존재해야 하며, (2) 모든 상태가 과거(입력)와 미래(출력) 사이의 인과적 매핑을 완전하게 보존해야 한다는 점이다. 이러한 조건은 일반 DFA와 달리 “프리시전(precision)”과 “통합성(unifilarity)”이라는 두 가지 수학적 성질을 요구한다.

저자들은 기존에 알려진 “접근 가능한 DFA 열거 알고리즘”(Kavvadias와 Sideri, 1998)을 기반으로, (i) 전이 라벨이 알파벳 기호와 확률 쌍으로 구성된 복합 라벨임을 고려하고, (ii) 전이 확률이 동일한 상태 집합을 병합하는 “동형성 축소” 과정을 삽입한다. 특히, 전이 라벨이 동일한 경우에도 확률 분포가 다르면 서로 다른 ε-머신으로 구분해야 하므로, 전이 라벨을 “확률-라벨”로 확장한다. 이 과정에서 후보 자동들의 수는 급격히 늘어나지만, “유일성(uniqueness)”과 “최소성(minimality)” 검증 절차를 통해 비ε-머신을 효과적으로 제거한다.

알고리즘의 복잡도는 상태 수 n과 알파벳 크기 k에 대해 O(k·n·B(n)) 형태이며, 여기서 B(n)은 n개의 상태를 갖는 모든 연결 그래프의 수를 의미한다. 하지만 실제 구현에서는 “프리프라운드(pruning) 단계”에서 대다수 후보가 조기에 배제되므로, n≤8, k≤6 범위에서 실시간 열거가 가능함을 실험적으로 입증한다.

또한, 열거된 ε-머신들의 “위상(Topology)”만을 고려한 “위상 ε-머신” 집합을 정의하고, 이 집합을 이용해 복잡도 측정 지표(예: 통계적 복잡도 Cμ, 엔트로피율 hμ)의 분포를 정확히 계산한다. 이는 기존에 무작위 샘플링으로 추정하던 값들을 완전하게 대체할 수 있는 강력한 도구가 된다.

결과적으로, 이 논문은 자동이론과 정보 이론을 융합한 새로운 방법론을 제시함으로써, 유한 메모리 확률 과정의 구조적 탐색을 체계화하고, 복잡도 과학에서 이론적 모델 검증 및 새로운 현상 발견을 위한 기반을 제공한다.