상호작용 랜덤 그래프의 정규화 흐름과 스케일링 법칙

초록

본 논문은 지수 랜덤 그래프(ERG)를 일반화하여 링크 간 조건부 확률, 즉 쌍별 상호작용을 도입한 모델을 제시한다. 최대 연결 차수가 2인 경우에 한해 라인 그래프 상에서 정확한 정규화군(RG) 변환을 유도하고, 차수가 높아지면 정확한 변환이 존재하지 않음을 보인다. 무질서(disorder)를 포함한 경우, RG 흐름이 통계적 매니폴드 위의 시간 역방향 비등방성 드리프트‑확산 과정과 동등함을 밝혀, 장거리 스케일에서 특정 쌍별 조건부가 무관하게 됨을 증명한다. 사회·의견·신경망 등 다양한 복합 시스템에 대한 적용 가능성을 논의한다.

상세 분석

이 연구는 ERG 프레임워크를 ‘효과적 이론(effective theory)’ 관점에서 재해석한다. 먼저 그래프의 인접 행렬 A에 대한 확률분포를 Gibbs‑Shannon 엔트로피를 최대화하는 형태로 정의하고, Hamiltonian H(A)를 다중선형 전개(1‑, 2‑, 3‑차 항 등)로 표현한다. 여기서 핵심은 2차 항, 즉 두 링크 사이의 쌍별 상호작용 β_{ij,kl}을 포함시키는 것이다. 이러한 쌍별 조건부는 그래프의 라인 그래프(line graph)로 매핑되면, 각 링크가 노드가 되고 원래 그래프의 인접 관계가 라인 그래프의 에지로 전환된다. 최대 조정 차수(coordination number)가 2인 라인 그래프는 1‑차원 사슬 구조와 동등하므로, 전통적인 1‑차원 RG 변환(예: Kadanoff 블록 스케일링)을 그대로 적용해 정확한 폐쇄형 변환식을 도출한다. 이는 “정규화 가능한”(renormalizable) 서브스페이스가 존재함을 의미한다. 반면, 조정 차수가 3 이상이면 라인 그래프는 2‑차원 이상의 격자와 유사해져, 정확한 폐쇄형 RG가 존재하지 않으며, 이는 고차원 격자 모델에서 정확 변환이 불가능한 것과 직접적인 유사성을 가진다.

무질서 도입 부분에서는 각 링크의 1차 결합 h^{(1)}_{ij}를 확률적 변수로 두고, 그 분포를 RG 흐름에 따라 변형시킨다. 저자들은 이 흐름을 통계 매니폴드 위의 확률분포 파라미터 θ에 대한 비등방성 확산 방정식으로 표현한다. 특히, 시간 역방향(drifts reversed) 형태가 나타나는 이유는 ‘정보 흐름’이 미세 스케일에서 거시 스케일로 전파될 때, Fisher‑Rao 메트릭의 역전파가 발생하기 때문이다. 이와 같은 해석은 파라미터의 ‘관련성(relevance)’을 Fisher 정보의 고유값과 연결시켜, 장거리에서 β 항이 급격히 감소하고, 결국 무관(irrelevant)해짐을 수학적으로 증명한다.

결과적으로, 쌍별 조건부가 존재하더라도, 장거리 물리량(예: 전체 연결도, 클러스터링 계수 등)은 기본적인 1‑차원 ERG(즉, 독립적인 링크)와 동일한 스케일링 지수를 갖는다. 이는 복잡 네트워크에서 “선호 연결”이나 “강화 학습” 같은 미세 메커니즘이 거시적 통계에 미치는 영향이 제한적일 수 있음을 시사한다.