트리 분해 전이 행렬을 이용한 정확한 포츠 모델 분할 함수 계산

본 논문은 임의의 그래프, 특히 평면 그래프에 대해 포츠 모델의 정확한 분할 함수 Z_G(Q, v)와 그 특수 경우인 색다항식 χ_G(Q)를 효율적으로 계산하는 새로운 알고리즘을 제시한다. 기존에는 그래프가 정규 격자 형태일 때 전이 행렬(transfer matrix) 기법을 이용해 층을 하나씩 추가하면서 행렬을 곱해가며 Z를 구했으며, 일반 그래프에 대해서는 #P‑complete 문제 특성상 지수적 시간 복잡도가 불가피했다. 저자들은 두 가지 기법—트리 분해(tree decomposition)와 전이 행렬—을 결합함으로써 이 한계를 크게 완화한다. 먼저 트리 분해는 그래프 G=(V,E)를 ‘bag’이라 불리는 정점 집합들의 트리 구조로 분할한다. 각 bag은 동시에 활성화되는 정점들의 집합이며, 트리 분해의 세 가지 조건(i)‑(iii)은 모든 정점과 간선이 적어도 하나의 bag에 포함되고, 같은 정점을 포함하는 bag들의 집합이 트리 상에서 연결되어 있음을 보장한다. 이러한 구조는 각 정점이 ‘삽입’과 ‘삭제’ 사이에 정확히 한 번만 등장하도록 하여, 전이 행렬 방식과 자연스럽게 결합될 수 있게 만든다. 전이 행렬 단계에서는 현재 활성 정점들의 연결 상태를 파티션(partition) 형태로 표현한다. 파티션은 정점들이 현재까지 처리된 간선에 의해 형성된 연결 성분을 나타내며, 평면 그래프의 경우 비교교차(non‑crossing) 파티션만 고려하면 된다. 비교교차 파티션의 개수는 Catalan 수 C_n으로, n은 bag의 크기이다. 일반 그래프에서는 Bell 수 B_n이 상한이 되지만, 이는 초지수적으로 증가해 실용적이지 않다. 따라서 평면성 가정은 상태 공간을 크게 축소한다. 각 단계에서 수행되는 연산은 두 종류가 있다. 첫째, 간선 (i,j)를 처리할 때는 연산자 1 + v J_{ij}를 적용한다. 여기서 J_{ij}는 파티션에서 i와 j가 속한 블록을 하나로 합치는 ‘join’ 연산자이며, J_{ij}²=J_{ij}라는 idempotent 성질을 가진다. 둘째, 정점 i를 bag에서 제거할 때는 삭제 연산자 D_i를 적용한다. D_i는 i가 단일 블록(즉, 아직 다른 정점과 연결되지 않은 경우)이라면 가중치 Q를 곱하고, 그렇지 않으면 가중치를 1로 둔다. 이러한 연산을 bag 순서에 따라 차례대로 적용하면, 마지막에 남는 빈 파티션의 계수가 바로 Z_G(Q, v)이다. v = −1이면 χ_G(Q)와 동일해진다. 알고리즘의 복잡도는 bag 크기 n에 의해 결정된다. 평면 그래프에서는 n이 평균적으로 O(√N) 수준이며, 가능한 파티션 수는 Catalan 수 C_n≈4ⁿ/(n^{3/2}√π)이다. 따라서 전체 실행 시간은 평균적으로 exp(1.516 √N) 정도이며, 이는 기존 최적 알고리즘의 exp(0.245 N)보다 실질적으로 수십 배 빠른 속도다. 실험에서는 N=100인 평면 그래프를 몇 초 안에 처리했으며, N=40인 경우 기존 알고리즘은 10초가 걸리는 반면 새 알고리즘은 0.1초 이내에 해결했다. 논문의 두 번째 주요 기여는 무작위 평면 그래프 집합에 대한 색다항식 근(색근)의 통계적 분석이다. 수천 개의 무작위 평면 그래프에 대해 χ_G(Q)를 정확히 계산한 뒤, 복소수 평면에 근을 플롯하였다. 결과는 근이 전반적으로 고르게 분포하지만, Beraha 수 B_k=(2 cos(π/k))² 근처에 실근이 집중되는 경향을 보였다. 또한 그래프의 평균 차수, 최대 차수, 삼각형 비율 등 구조적 특성이 근의 밀도와 위치에 영향을 미친다는 점을 통계적으로 확인했다. 이러한 현상은 규칙 격자에서 보고된 ‘Beraha 현상’과 유사하지만, 무작위 그래프에서는 더 넓은 파라미터 공간에서 나타난다. 마지막으로 저자들은 이 알고리즘이 포츠 모델 외에도 다양한 스핀 모델(예: 이시잉, 라인 그래프)이나 네트워크 설계 문제에 적용 가능함을 언급한다. 트리 분해와 전이 행렬의 결합은 상태 공간을 최소화하면서도 정확한 전이 연산을 유지할 수 있는 일반적인 프레임워크를 제공한다는 점에서, 복잡계 물리·컴퓨터 과학 분야에서 널리 활용될 전망이다.