두 개의 독립 시퀀스로 무작위성 비율을 1에 가깝게

본 논문은 Kolmogorov 복잡도와 무작위성 비율 개념을 중심으로, 무한 이진 시퀀스의 무작위성을 향상시키는 가능성을 탐구한다. 무작위성 비율 σ는 초기 구간 길이 n에 대한 Kolmogorov 복잡도 K(x↾n)≥σ·n이 거의 모든 n에 대해 성립하는 정도를 의미한다. 기존 연구에서는 단일 입력 시퀀스에 대해 σ를 증가시키는 일관된 효과적 변환이 존재하지 않음이 증명되었으며, 특히 uniform Turing 감소(특히 wtt‑reduction)에서는 σ₁<σ₂인 경우 σ₁을 σ₂로 올리는 변환이 불가능함을 보여준다. Zimand는 이러한 부정적 결과를 두 개의 독립 시퀀스가 주어질 때는 극복할 수 있음을 입증한다. 두 시퀀스 x와 y가 독립적이라는 것은 K(x↾n y↾m)≥K(x↾n)+K(y↾m)−O(log n+log m)로 정의되며, 이는 어느 한 시퀀스의 초기 구간이 다른 시퀀스의 정보를 거의 제공하지 못한다는 의미이다. 주요 정리(Theorem 1.1)는 다음과 같다. 임의의 τ∈(0,1]와 두 독립 시퀀스 x, y가 각각 무작위성 비율 τ를 가질 때, 효과적인 변환 f(τ, x, y)∈{0,1}^∞가 존재하여 f(τ, x, y)의 무작위성 비율은 1−δ(δ>0 임의)이다. 이 변환은 진리표 감소이며, τ에 대해 uniform하게 정의된다. 증명은 크게 두 단계로 구성된다. 첫 번째는 입력 시퀀스를 적절한 블록으로 분할하는 “분할 보조정리”(Lemma 4.1)이다. 임의의 초기 구간 길이 n₀에 대해 충분히 큰 n₁을 효과적으로 찾을 수 있으며, K(x_{n₀+1:n₁} | x↾n₀)≥σ·(n₁−n₀) (σ<τ) 를 만족한다. 이렇게 하면 무한히 많은 블록 x₁, x₂, …와 y₁, y₂, …가 각각 이전 블록에 대해 충분한 복잡도 비율을 유지한다. 두 번째 단계는 각 블록 쌍 (x_i, y_i) 에 대해 “정규 함수”(regular function) E_i를 적용해 새로운 블록 z_i=E_i(x_i, y_i)를 생성하는 것이다. 정규 함수는 모든 충분히 큰 직사각형 B×B⊆{0,1}^{n_i}×{0,1}^{n_i}에 대해, 출력값 a∈{0,1}^{m_i}가 거의 동일한 수의 전이미지를 갖도록 설계된다. 이러한 함수의 존재는 확률적 방법을 통해 보이며, 실제 구현은 완전 탐색(브루트 포스)으로 가능하다. 정규 함수의 핵심 속성은 다음과 같다. B의 크기가 약 2^{σ n_i}라면, 임의의 출력 집합 A⊆{0,1}^{m_i}에 대해 |E_i^{-1}(A)∩(B×B)|≤|A|·|B×B|/2^{m_i}·2^{−ε m_i}가 된다. 만약 최종 출력 z_i의 Kolmogorov 복잡도가 (1−ε)·m_i보다 작다면, (x_i, y_i) 쌍을 위 전이미지 집합에서 효율적으로 인코딩할 수 있어 K(x_i y_i)≤K(x_i)+K(y_i)−ε·m_i가 된다. 그러나 독립성에 의해 K(x_i y_i)≈K(x_i)+K(y_i)이며, 이는 모순을 초래한다. 따라서 K(z_i)≥(1−ε)·m_i가 보장된다. 각 단계에서 얻은 z_i는 이전 출력 z₁…z_{i−1}에 대해 조건부 Kolmogorov 복잡도 K(z_i | z₁…z_{i−1})≥(1−ε)·m_i를 만족한다. 이를 무한히 이어 붙이면 전체 시퀀스 z=z₁z₂…는 모든 충분히 큰 n에 대해 K(z↾n)≥(1−ε)·n을 만족하므로 무작위성 비율이 1−ε가 된다. 논문은 또한 두 독립 시퀀스가 실제로 존재함을 보인다. 임의의 τ>0에 대해, 무작위(마틴‑로이드) 시퀀스 x를 선택하고, x에 상대적인 무작위 시퀀스 y를 마틴‑로이드 테스트를 이용해 구성하면, x와 y는 독립이며 각각 무작위성 비율 τ를 가진다. 결과적으로, 단일 소스에서는 무작위성 비율을 향상시킬 수 없다는 부정적 결과와 달리, 두 개의 독립적인 저비율 무작위 시퀀스만으로도 효과적인(조언 없이) 변환을 통해 거의 완전한 무작위성을 얻을 수 있음을 보여준다. 이는 무작위성 추출기와 Kolmogorov 복잡도 사이의 깊은 연관성을 밝히며, 무한 시퀀스에 대한 정보‑이론적 변환 가능성을 새롭게 제시한다.