대형 정사각형을 유닛 정사각형으로 최적 포장하기

초록

본 논문은 한 변의 길이가 $x$ 인 큰 정사각형을 단위 정사각형으로 채울 때 남는 면적 $W(x)$ 를 $O(x^{3/5})$ 로 제한하는 새로운 포장 알고리즘을 제시한다. 기존 연구들의 상한을 개선하기 위해 “스택”과 “트라페조이드(사다리꼴) 영역”을 이용한 두 단계의 서브 알고리즘을 설계하고, 파라미터 최적화를 통해 전체 폐기 공간을 $O(x^{3/5})$ 로 보인다.

상세 분석

이 논문은 1975년 Erdős‑Graham이 제시한 $O(x^{7/11})$ 상한부터 시작해 Roth‑Vaughan의 $Ω(x^{1/2})$ 하한, Montgomery의 $O(x^{3-\sqrt{3}/2})$, Chung‑Graham의 $O(x^{3+√2/7}\log x)$ 등을 순차적으로 언급하며 현재 최선의 알려진 상한이 $O(x^{3+√2/7}\log x)$ 임을 상기한다. 저자는 이 상한을 $O(x^{3/5})$ 로 개선한다는 주장에 앞서, 기존 방법들의 한계를 “직교 포장”이 남기는 $O(x{x})$ 형태의 폐기 공간과, 각도 조절을 통한 “기울어진 스택”이 폐기 공간을 감소시키는 원리를 재조명한다.

핵심 아이디어는 크게 두 부분으로 나뉜다. 첫 번째는 큰 정사각형 $S(x)$ 를 가로·세로로 정렬된 단위 정사각형 스택으로 채우되, 남는 두 개의 얇은 직사각형을 남겨두고, 그 중 하나를 $R$ 라고 명명한다. $R$ 내부에서는 길이 $n$ 인 스택을 약간 기울여 ($\theta\approx 1/\sqrt{h}$) 양쪽 벽에 접하도록 배치한다. 이 과정에서 $R$ 의 양 끝에 높이 $h$ 인 사다리꼴 $T$ 가 남는다.

두 번째 단계에서는 사다리꼴 $T$ 를 두 개의 서브 알고리즘으로 채운다. 첫 번째 서브 알고리즘은 $φ$ 라는 작은 각도로 기울어진 수평 스택 $H_0$ 와 그에 맞물리는 수직 스택 $V_0$ 를 교차 배치하고, 점차 스택 길이를 $m‑i$ 로 감소시키며 $m$ 단계까지 진행한다. 여기서 $φ$ 는 $θ$ 와 연관된 방정식 $(1‑\tan φ)\cos(φ+θ)=1‑\sin(φ+θ)$ 의 해로 정의되며, 테일러 전개를 통해 $φ≈\sqrt{2},θ$ 로 근사한다.

두 번째 서브 알고리즘은 첫 번째 알고리즘이 만든 상단 각도 차이를 보정한다. 여기서는 $ψ$ 라는 각도로 기울어진 수평 스택 $H’_0$ 와 수직 스택 $V’_0$ 를 배치하고, $θ’$ 라는 새로운 기울기를 도입해 $ψ+θ’$ 가 기존 $ψ$ 와 일치하도록 조정한다. $θ’$ 은 $sec ψ‑1+tan ψ = tan(ψ+θ’)$ 로 정의되며, 역시 $θ’≈θ‑O(φ^3)$ 로 근사된다.

알고리즘 전반에 걸쳐 핵심 파라미터 $h$, $n$, $m$, $m’$ 가 서로 의존한다. $θ≈1/√h$ 로부터 $m≈θ^{-1}≈√h$, $φ,ψ,φ’≈h^{-1/4}$ 가 도출된다. 사다리꼴 $T$ 의 폭을 $w≈√h$ 로 잡으면, 각 반복 단계에서 발생하는 폐기 면적은 $O(h·θ)≈O(h^{3/2})$ 가 된다. 전체 정사각형 $S(x)$ 에 대해 $h$ 를 $x^{2/5}$ 로 선택하면, $w≈x^{1/5}$, 폐기 면적은 $O(x^{3/5})$ 로 수렴한다.

수학적 전개는 대부분 테일러 급수를 이용한 1차·2차 근사와 부등식 추정에 의존한다. 그러나 논문은 몇몇 중요한 정밀도 논증—예를 들어 $ε$ 와 $ε’$ 의 누적 오차가 전체 복합 과정에서 어떻게 상쇄되는지—을 생략하고, “명백히” 라는 표현으로 넘어간다. 또한, $m’$ 가 $ε$ 에 의존한다는 점을 강조하면서도 $ε=O(θ)$ 로 가정하는 근거가 충분히 제시되지 않는다.

결과적으로, 논문은 기존 결과보다 더 나은 상한 $O(x^{3/5})$ 를 제시하지만, 증명의 엄밀성은 다소 부족하다. 특히, 무한히 반복되는 두 서브 알고리즘 사이의 경계 조건, 오차 전파, 그리고 최적 파라미터 선택 과정이 더 정형화된 형태로 제시된다면 결과의 신뢰도가 크게 향상될 것이다.