논리와 복잡망의 만남

초록

논리적 함의(implication)를 방향성 있는 간선으로 표현해 복잡망으로 전환하고, 기존 BA 모델과 달리 새 노드가 기존 네트워크의 일부만을 참조하도록 하는 성장 규칙을 제시한다. 제한된 로컬 연결에도 불구하고 차수 분포는 멱법칙을 따르며, 논리 구조를 네트워크 과학적 시각으로 분석할 수 있음을 보여준다.

상세 분석

본 논문은 전통적인 논리학의 함의 관계를 복잡망 이론의 프레임워크에 매핑함으로써, 논리적 지식 구조를 정량적으로 분석할 수 있는 새로운 모델을 제안한다. 논리 명제는 네트워크의 정점으로, “A ⇒ B” 형태의 함의는 A에서 B로 향하는 방향성 간선으로 구현된다. 기존의 Barabási‑Albert(BA) 모델은 새로운 정점이 기존 전체 네트워크의 차수에 비례해 연결되는 전역적 선호 연결 방식을 사용한다. 그러나 실제 인간의 사고 과정이나 지식 확장은 전체 지식 체계가 아니라 국소적인 연관성에 기반한다는 점을 고려해, 저자는 새 정점이 기존 정점 중 일부(예: 인접한 하위 집합)만을 대상으로 선호 연결을 수행하도록 알고리즘을 설계하였다. 구체적으로, 새 정점이 생성될 때 임의의 기존 정점을 선택하고, 그 정점의 인접 정점들 중 차수가 높은 정점에 연결 확률을 높이는 방식으로 로컬 선호 연결을 구현한다. 이 과정은 전역 정보를 요구하지 않으면서도 네트워크가 성장함에 따라 차수 분포가 (P(k) \sim k^{-\gamma}) 형태의 멱법칙을 유지함을 실험적으로 확인한다. 또한 평균 최단 경로 길이와 클러스터링 계수를 측정해, 전형적인 스케일프리 네트워크와 유사한 ‘작은 세계’ 특성을 보인다. 모델의 핵심 기여는 (1) 논리적 함의를 복잡망으로 형식화한 점, (2) 전역 참조 없이도 BA와 동등한 규모 자유 특성을 재현한 점, (3) 로컬 선호 연결이 실제 인지·학습 과정과 더 잘 맞는 현실성을 제공한다는 점이다. 한편, 논리적 일관성(예: 순환 함의나 모순) 검증이 모델에 포함되지 않아, 순수 네트워크 구조와 실제 논리 체계 사이의 차이를 보완할 필요가 있다.