Rotating random trees with Skorokhod's $M_1$ topology

이 논문은 $M_1$ 위상과 파라메트릭 표현을 통해 연속 함수가 아닌 $c\grave{a}d\grave{l}\grave{a}g$ 함수로 측정된 $\mathbb{R}$-트리를 코딩하는 방법을 확장하고, 이를 적용하여 $\alpha$-안정 레비 과정과 회전 변환이 적용된 큰 임계 비에네메트 나무들의 극한 거동을 연구합니다.

핵심

🌳 제목: "나무를 뒤집고 회전시키면 어떻게 될까? - 랜덤 나무의 거대한 변화"

이 연구는 우리가 알고 있는 **나무 (Tree)**가 거대해졌을 때 어떤 모양을 띠게 되는지, 그리고 그 나무를 **회전 (Rotation)**시키면 어떻게 변하는지를 탐구합니다. 여기서 '나무'는 실제 식물나무가 아니라, 데이터 구조나 가족 관계도처럼 가지가 뻗어 나가는 수학적 구조를 말합니다.

1. 나무를 그리는 새로운 방법: "불완전한 지도"

일반적으로 수학자들은 나무의 모양을 그리는 데 **연속적인 곡선 (부드러운 선)**을 사용합니다. 마치 산의 지형도를 그리듯이 말입니다. 하지만 이 연구는 **카를라그 (càdlàg)**라는 개념을 도입합니다.

• 비유: 기존 방법은 매끄러운 산길 지도라면, 이 연구는 계단과 단차가 있는 산길 지도를 다룹니다. 갑자기 높이が変わ는 '점프'가 있는 지도죠.
• 왜 중요할까? 기존의 부드러운 지도로는 설명할 수 없는, 갑자기 튀어 오르는 거대한 나무들의 모양을 이 '점프가 있는 지도'로 더 정확하게 그릴 수 있습니다. 저자는 이 새로운 지도를 그리기 위해 **스콜로코드 M1 위상 (Skorokhod's M1 topology)**이라는 특수한 자를 사용했습니다. 이는 "완벽하게 일치하지 않아도, 전체적인 흐름이 비슷하면 같은 것으로 간주하는" 유연한 측정 도구입니다.

2. 회전 (Rotation) 의 마법: 나무를 뒤집다

이 연구의 핵심은 **'회전 (Rotation)'**이라는 작업을 나무에 적용해 보는 것입니다.

• 비유: imagine you have a family tree. Imagine you take the family tree and rotate it 90 degrees. The root becomes the leftmost branch, and the children become the rightward branches. It's like turning a vertical family tree into a horizontal one, but with a specific rule: "The first child becomes the leftmost, the second child becomes the rightmost, and so on."
• 기존의 발견 (마르케르의 연구): 과거 연구자들은 "균일한 나무 (모든 가지가 고르게 자란 나무)"를 회전시키면, 나무의 크기만 2 배로 늘어나고 모양은 그대로 유지된다는 것을 발견했습니다. 마치 풍선을 불어 2 배로 키운 것과 같습니다.

3. 이 연구의 새로운 발견: "나무의 종류에 따라 결과가 달라진다!"

저자는 이 '회전' 실험을 더 다양한 나무 (비앙네 - 갈톤 - 와트슨 나무, 즉 자녀 수의 확률 분포가 다른 나무들) 에 적용했습니다. 결과는 놀라웠습니다.

• Case A: 평균적인 나무 (가우스 분포)

  • 자녀 수의 변동이 크지 않은 나무들입니다.
  • 결과: 회전시키면 크기만 변하고 모양은 그대로입니다. (기존 연구와 일치)
  • 비유: 평범한 소나무를 회전시켜도 여전히 소나무 모양입니다.

• Case B: 극단적인 나무 (안정 분포, $\alpha \in (1, 2)$)

  • 자녀 수가 매우 불규칙하게 분포하는 나무들입니다. (한 가지는 100 명, 다른 가지는 1 명 등)
  • 결과: 회전시키면 크기뿐만 아니라 모양 자체가 완전히 바뀝니다!
  • 비유: 이 나무를 회전시키면 소나무가 아니라, 완전히 다른 종류의 이국적인 나무로 변해버립니다. 기존의 나무와 전혀 다른 기하학적 구조 (예: 차원, 가지의 밀도) 를 갖게 됩니다.
  • 이 새로운 나무는 **'스펙트럼 양의 $\alpha$-안정 레비 과정'**이라는 복잡한 확률 과정으로 설명할 수 있습니다.

4. 왜 이런 일이 일어날까? (핵심 메커니즘)

저자는 이 현상을 설명하기 위해 나무의 '내부 구조'를 분석했습니다.

• 비유: 나무를 회전시킬 때, 단순히 나무를 돌리는 게 아니라 가지들의 연결 방식을 뒤바꾸는 것입니다.
• 기존 나무에서는 가지가 위로 자라지만, 회전된 나무에서는 가지가 옆으로 뻗어나가는 방식이 바뀝니다.
• 평균적인 나무에서는 이 변화가 전체적인 크기 조절로만 느껴지지만, 극단적인 나무에서는 이 연결 방식의 변화가 나무의 **근본적인 뼈대 (기하학적 구조)**를 뒤흔들어 버립니다. 마치 건물의 기둥을 옆으로 눕히면 건물의 형태가 완전히 달라지는 것과 같습니다.

5. 나무와 고리 (Looptree) 의 관계

이 연구는 회전된 나무가 **'고리 나무 (Looptree)'**라는 또 다른 수학적 객체와 깊은 연관이 있음을 발견했습니다.

• 비유: 회전된 나무는 마치 고리 모양으로 연결된 구슬들 (Looptree) 을 **지탱하는 기둥 (Spanning Tree)**과 같습니다.
• 회전된 나무를 잘라내면 그 안에 숨겨진 고리들의 구조가 드러납니다. 이 발견은 나무와 고리라는 두 가지 다른 수학적 세계를 연결하는 다리가 되었습니다.

🎯 요약: 이 연구가 우리에게 주는 메시지

1. 새로운 도구: 우리는 나무를 그릴 때 '부드러운 선'만 쓸 수 있는 게 아니라, '점프가 있는 선'을 써도 된다는 것을 증명했습니다. (M1 위상의 활용)
2. 회전의 힘: 나무를 회전시키는 것은 단순한 크기 조절이 아닙니다. 나무의 종류 (자녀 수의 분포) 에 따라 완전히 새로운 형태의 나무를 만들어낼 수 있습니다.
3. 예측 불가능성: 우리가 알고 있던 "회전 = 크기 변화"라는 법칙은 일부 나무에만 적용됩니다. 더 복잡하고 불규칙한 나무에서는 모양 자체가 변형됩니다.

한 줄 요약:

"이 논문은 랜덤한 나무를 회전시키는 실험을 통해, 나무의 종류에 따라 회전이 단순히 '크기를 키우는 것'인지, 아니면 '완전히 새로운 나무를 창조하는 것'인지를 밝혀냈습니다. 특히 불규칙한 나무에서는 회전이라는 마법이 나무의 본질적인 모양을 바꿔버린다는 놀라운 사실을 발견했습니다."

이 연구는 수학자들이 복잡한 확률 현상을 이해하기 위해 어떻게 '나무'라는 직관적인 비유를 사용하고, 새로운 수학적 도구로 그 한계를 넓혀가는지 보여주는 훌륭한 사례입니다.

기술 요약

이 논문은 Skorokhod M1 위상을 사용하여 càdlàg (오른쪽 연속, 왼쪽 극한 존재) 함수로 인코딩된 **측정된 R-트리 (measured R-trees)**의 코딩을 확장하고, 이를 통해 **랜덤 트리 (Bienaymé-Galton-Watson 트리)**에 대한 회전 (rotation) 변환의 대규모 효과를 연구하는 것을 주제로 합니다.

저자 Antoine Aurillard 는 기존의 연속 함수 기반 트리 코딩을 불연속 함수로 일반화하여, 다양한 안정 분포 (stable distribution) 영역에 속하는 임계 (critical) 랜덤 트리의 스케일링 극한을 분석했습니다.

다음은 논문의 기술적 요약입니다.

---

1. 연구 문제 (Problem)

• 기존 한계: 랜덤 트리의 스케일링 극한을 연구할 때, 트리를 인코딩하는 함수 (높이 과정, 윤곽 과정 등) 는 주로 연속 함수로 간주되어 균일 위상 (uniform topology) 또는 Skorokhod J1 위상에서 수렴을 다룹니다. 그러나 $\alpha$-안정 분포 ($\alpha \in (1, 2)$) 에 속하는 자손 분포를 가진 임계 Bienaymé 트리의 경우, 인코딩 과정의 극한이 불연속인 càdlàg 함수 (스펙트럼 양의 $\alpha$-안정 Lévy 과정의 여정) 가 됩니다.
• 회전 변환의 효과: 평면 트리 (plane tree) 와 이진 트리 (binary tree) 사이의 전단사 함수인 '회전 (rotation)' 변환이 큰 트리에서 어떻게 작용하는지 연구하는 것은 중요한 문제입니다. Marckert (2004) 는 균일 트리 (uniform trees) 의 경우 회전 변환이 거리 스케일링 (dilation) 으로 작용함을 보였습니다. 하지만 자손 분포가 무한 분산을 가지거나 $\alpha$-안정 영역 ($\alpha < 2$) 에 있을 때 회전 변환의 극한 행동은 명확하지 않았습니다.
• 핵심 질문: 불연속 인코딩 함수를 사용하여 R-트리를 정의할 수 있으며, 이 정의가 Skorokhod M1 위상에서 연속성을 가지는가? 그리고 이를 통해 회전된 트리의 스케일링 극한을 어떻게 규명할 수 있는가?

2. 방법론 (Methodology)

A. 파라메트릭 표현을 통한 R-트리 인코딩 확장

• 파라메트릭 표현 (Parametric Representations): 불연속 함수 $x$의 그래프를 수직 선분으로 채워 연결된 '완성된 그래프 (completed graph)'를 정의하고, 이를 연속적으로 매개변수화하는 개념을 도입합니다.
• R-트리 정의: 연속 함수 $f$가 정의하는 거리 $d_f$를 불연속 함수 $x$의 파라메트릭 표현 $\chi$를 통해 정의함으로써, 불연속 여정 (excursion) $x$로부터 R-트리 $T_x$와 측정 $\mu_x$를 자연스럽게 정의합니다.
• 연속성 증명: 이 구성이 Gromov-Hausdorff-Prokhorov (GHP) 위상 (트리와 측정 공간) 과 Skorokhod M1 위상 (함수 공간) 사이에서 연속임을 증명합니다.
  • Proposition 1.1: $d_{GH}(T_x, T_y) \le 2 d_{M1}(x, y)$
  • Proposition 1.2: $x \mapsto (T_x, \mu_x)$는 $d_{M1}$과 $d_{GHP}$에 대해 연속입니다.
  • 의의: 이는 인코딩 과정의 M1 수렴이 트리 구조의 GHP 수렴을 보장함을 의미하며, J1 위상에서는 불가능했던 불연속 극한 과정의 분석을 가능하게 합니다.

B. 회전 변환 (Rotation) 의 분석

• 기하학적 및 재귀적 정의: 회전 변환 $Rot$은 평면 트리를 이진 트리로 변환하는 전단사 함수입니다. 저자는 이를 기하학적으로 해석하여, 회전된 트리의 내부 서브트리 $(Rot T)^\circ$와 원래 트리 $T$의 관계를 규명합니다.
• 인코딩 과정의 관계: 회전된 트리의 높이 과정과 윤곽 과정을 원래 트리의 인코딩 과정 (높이, Łukasiewicz walk) 과 연결하기 위해 **거울 변환 (mirror transformation)**과 반전된 윤곽 과정을 사용합니다.
• M1 거리 제어: 서로 다른 스케일링을 가진 과정들 (예: 연속적인 높이 과정과 불연속적인 윤곽 과정) 간의 거리를 제어하기 위해 **combinatorial relations (조합적 관계)**를 도출하고, 이를 파라메트릭 표현을 통해 M1 거리로 변환하여 수렴을 증명합니다.

3. 주요 기여 및 결과 (Key Contributions & Results)

A. 주요 정리 (Theorem 1.3): 회전된 Bienaymé 트리의 스케일링 극한

임계 Bienaymé 트리 $T_n$ (자손 분포 $\mu$) 에 대해 회전 변환 $Rot T_n$을 적용했을 때의 극한 행동은 $\mu$의 분산 유무와 안정 지수 $\alpha$에 따라 결정됩니다.

1. 가우스 경우 ($\alpha = 2$, 분산 $\sigma^2 < \infty$):

   • 회전 변환은 **상수 배의 스케일링 (dilation)**으로 작용합니다.
   • $(T_n, Rot T_n)$은 모두 동일한 Brownian CRT 로 수렴하며, $Rot T_n$은 $T_n$보다 $1 + \sigma^2/2$배만큼 스케일이 커집니다.
   • 이는 Marckert 의 기존 결과를 일반화한 것입니다.

2. $\alpha$-안정 경우 ($\alpha \in (1, 2)$, 분산 무한):

   • 회전 변환은 단순히 스케일만 바꾸는 것이 아니라 기하학적 구조를 변화시킵니다.
   • $T_n$의 극한은 $\alpha$-안정 트리 $T_h$ (연속 여정 $h$로 인코딩) 인 반면, $Rot T_n$의 극한은 불연속 여정 $x$로 인코딩된 새로운 R-트리 $T_x$가 됩니다.
   • $T_x$는 $T_h$와 분포가 다릅니다.

B. $T_x$의 기하학적 성질

• 이진성 (Binary): $T_x$는 거의 확실히 (almost surely) 이진 트리입니다 (모든 정점의 차수가 1, 2, 3 임). 반면 $T_h$ ($\alpha < 2$) 는 무한 차수를 가진 정점을 가집니다.
• 하우스도르프 차원 (Hausdorff Dimension):
  • $T_x$의 하우스도르프 차원은 $\alpha$입니다.
  • $T_h$의 하우스도르프 차원은 $\alpha/(\alpha-1)$입니다.
  • 이는 회전 변환이 트리의 프랙탈 차원까지 변경시킴을 의미합니다.
• Stable Looptree와의 관계: $T_x$는 Curien & Kortchemski 가 정의한 stable looptree $L_x$의 spanning R-tree로 해석될 수 있습니다. $T_x$와 $L_x$는 1-Lipschitz 사상에 의해 연결되며 동일한 하우스도르프 차원을 가집니다.

C. 공회전 (Co-rotation) 과의 비교

• 회전 변환의 대칭인 **공회전 (co-rotation, $Tor$)**을 연구했습니다.
• 흥미롭게도 $Tor T_n$의 Łukasiewicz walk 는 $T_n$의 Łukasiewicz walk 와 점근적으로 동일하게 수렴하지만, $Rot T_n$의 경우 전혀 다른 극한을 가집니다. 이는 트리의 기하학적 구조와 인코딩 과정 사이의 미묘한 관계를 보여줍니다.

4. 의의 및 중요성 (Significance)

1. 이론적 확장: R-트리의 인코딩을 연속 함수에서 càdlàg 함수로 확장하여, 불연속 극한을 갖는 확률 과정 (Lévy 과정 등) 으로 생성된 무작위 구조를 분석할 수 있는 강력한 도구를 제공했습니다.
2. 위상 선택의 중요성: 랜덤 트리의 스케일링 극한 연구에서 Skorokhod M1 위상이 J1 위상보다 더 강력하고 유연한 도구임을 입증했습니다. 특히 불연속 극한을 갖는 과정의 수렴을 다룰 때 필수적입니다.
3. 기하학적 통찰: 회전 변환이 단순한 구조적 재배열을 넘어, 트리의 프랙탈 차원과 위상적 성질 (이진성 등) 을 근본적으로 변화시킬 수 있음을 보여주었습니다. 이는 무작위 기하학 (Random Geometry) 분야에서 중요한 발견입니다.
4. 응용 가능성: 이 방법은 Bienaymé 트리에 국한되지 않으며, 다양한 무작위 트리 모델과 그 스케일링 극한을 연구하는 데 적용 가능한 일반적인 프레임워크를 제시합니다.

결론

이 논문은 불연속 함수를 통한 R-트리 인코딩 이론을 정립하고, 이를 적용하여 회전 변환이 가진 비선형적이고 기하학적인 효과를 규명함으로써, 무작위 트리의 대규모 구조에 대한 이해를 한 단계 발전시켰습니다. 특히 $\alpha$-안정 영역에서의 회전 변환이 트리 구조를 근본적으로 변형시킨다는 점은 기존 직관을 깨는 중요한 결과입니다.