On The Hausdorff Dimension Of Two Dimensional Badly Approximable Vector

이 논문은 가중치 $\tau_1, \tau_2$가 특정 조건을 만족할 때, 2 차원 가중 $\Psi$-나쁜 근사 벡터 집합의 하우스도르프 차원이 $\min \left\{\frac{3+\tau_1-\tau_2}{1+\tau_1},\frac{3}{1+\tau_2}\right\}$로 결정됨을 보여줍니다.

핵심

이 논문은 수학의 한 분야인 **'수론 (Number Theory)'**과 **'기하학 (Geometry)'**이 만나는 매우 흥미로운 주제를 다룹니다. 제목을 직역하면 "2 차원 가중치 부여된 '나쁜' 근사 벡터들의 하우스도르프 차원에 대한 연구"인데, 이걸 일상적인 언어로 풀어서 설명해 드릴게요.

🎯 핵심 주제: "완벽하지 않은 추측"의 공간

이 논문의 주인공은 **수 (Numbers)**와 **기하학적 모양 (Shapes)**입니다.

1. 상황 설정 (추측 게임):
   imagine imagine you are playing a game where you try to guess a secret number using fractions (like 1/2, 22/7, 355/113).

   • 좋은 추측 (Good Approximation): 어떤 수를 아주 작은 오차로 맞출 수 있다면, 그 수는 "잘 근사되는 (Approximable)" 수입니다.
   • 나쁜 추측 (Badly Approximable): 아무리 많은 분수를 써도 오차가 일정 수준 이하로 줄어들지 않는, 즉 "완벽하게 맞출 수 없는" 수들이 있습니다. 이 논문은 바로 이런 '나쁜 추측 수'들에 집중합니다.

2. 무게를 더하다 (Weighted Setting):
   보통은 가로 (x 축) 와 세로 (y 축) 를 똑같이 대우합니다. 하지만 이 논문은 **가중치 (Weight)**를 줍니다.

   • 예를 들어, 가로 방향의 오차는 허용하지만 세로 방향의 오차는 아주 엄격하게 잡는 식입니다. 마치 한쪽 눈은 잘 보이고 다른 쪽 눈은 흐릿한 사람이 세상을 바라보는 것처럼요.
   • 이 논문은 이런 '편향된' 조건에서 나쁜 추측 수들이 얼마나 많이 존재하는지, 그리고 그들이 차지하는 **공간 (차원)**이 얼마나 큰지 계산합니다.

🏗️ 비유: "유령의 성"을 짓는 과정 (Cantor Construction)

저자 (Yi Lou) 는 이 복잡한 수들을 찾기 위해 마치 **유령의 성 (Cantor Set)**을 짓는 것처럼 복잡한 과정을 거칩니다.

1. 초기 설계 (Step 1: Cτ(N) 만들기):

   • 처음에는 [0, 1] × [0, 1] 크기의 정사각형 (전체 공간) 을 생각합니다.
   • 여기서 "나쁜 추측 수"가 될 수 없는 곳들 (분수들이 너무 잘 맞는 곳들) 을 구멍으로 뚫어냅니다.
   • 이 구멍들은 매우 정교하게 설계되어 있습니다. 마치 미로처럼, 분수들이 지나갈 수 있는 길은 막고, 오직 '나쁜 추측 수'만 통과할 수 있는 좁은 통로만 남깁니다.

2. 주요 통로 찾기 (Step 2: Leading Rationals):

   • 뚫린 구멍들 사이로 남는 좁은 통로들을 분석합니다. 이 논문에서는 이 통로들이 만들어지는 규칙을 찾아내어, 어떤 분수들이 '주요 통로 (Leading Rationals)'가 되는지 정의합니다.
   • 이는 마치 유령 성의 핵심 기둥을 찾는 것과 같습니다.

3. 유령의 성 완성 (Step 3 & 4: Dϵ(B) 만들기):

   • 이 과정을 반복해서 (거의 무한히) 좁은 통로들을 쪼개고 좁힙니다.
   • 결국 남는 것은 **점 (Point)**들이 아니라, 매우 희미하지만 존재하는 구조입니다. 이것이 바로 우리가 찾고 있는 '나쁜 추측 수'들의 집합입니다.
   • 저자는 이 구조에 **무게 (Mass Distribution)**를 실어줍니다. "이곳에 사람이 얼마나 살 수 있을까?"를 계산하는 것처럼요.

📏 결과: "얼마나 많은가?" (하우스도르프 차원)

이 논문이 밝혀낸 가장 중요한 결론은 **"이 나쁜 추측 수들이 차지하는 공간의 크기 (차원)"**입니다.

• 상식적인 크기: 보통 2 차원 공간 (평면) 의 크기는 2 입니다.
• 이 논문의 발견: 이 특정 조건 (가중치가 달린 나쁜 추측 수) 하에서는 그 크기가 2 보다 작지만, 0 보다 훨씬 큽니다.
• 공식: 저자는 이 크기를 정확히 계산하는 공식을 찾아냈습니다.
  $$\text{크기} = \min \left( \frac{3 + \tau_1 - \tau_2}{1 + \tau_1}, \frac{3}{1 + \tau_2} \right)$$
  (여기서 $\tau_1, \tau_2$는 우리가 앞서 말한 '가중치'나 '엄격함'의 정도를 나타냅니다.)

💡 왜 이것이 중요한가요?

1. 정확한 예측: 과거에는 이 수들이 얼마나 많은지 (차원이 몇인지) 정확히 알 수 없었습니다. 이 논문은 정확한 공식을 제시하여, 어떤 조건에서도 이 수들의 '밀도'를 예측할 수 있게 했습니다.
2. 독창적인 방법: 최근 다른 수학자들이 비슷한 문제를 풀었지만, 이 논문은 기하학적 구조에 집중하여 완전히 새로운 방법 (Cantor-type construction) 으로 증명했습니다. 이는 마치 다른 사람이 만든 지도 없이, 직접 나침반과 지팡이를 들고 새로운 길을 개척한 것과 같습니다.
3. 학문적 의미: 이 연구는 대학원생이 아닌 **학부생 (Undergraduate)**이 쓴 최종 프로젝트 (Final-year project) 라는 점이 특히 놀랍습니다. 복잡한 수학 이론을 단순히 이해하는 것을 넘어, 새로운 정리를 증명해낸 것입니다.

📝 한 줄 요약

"수학자들은 '아무리 해도 정확히 맞출 수 없는 숫자들'이 2 차원 공간에서 얼마나 빽빽하게 모여 있는지 연구했는데, 이 논문은 '한쪽 눈이 흐릿한 상태'에서 그 숫자들이 차지하는 공간의 크기를 정밀하게 계산해내는 새로운 지도를 완성했습니다."

이 논문은 수학의 추상적인 개념을 구체적인 기하학적 구조로 풀어내어, 보이지 않는 수의 세계를 가시화한 훌륭한 사례입니다.

기술 요약

논문 개요

이 논문은 디오판토스 근사 (Diophantine approximation) 이론의 한 분야인 가중치 나쁜 근사 (Weighted Badly Approximable) 벡터 집합의 하우스도르프 차원 (Hausdorff dimension) 을 연구합니다. 저자 Yi Lou 는 2 차원 공간에서 가중치 지수 (weighted exponents) $\tau = (\tau_1, \tau_2)$가 서로 다른 경우 ($\tau_1 \ge \tau_2 > 0$) 에 대해, 해당 집합의 국소적 하우스도르프 차원을 정확히 계산하는 공식을 제시합니다.

1. 문제 제기 (Problem Statement)

• 기본 정의:
  • $\Psi = (\psi_1, \dots, \psi_m)$를 근사 함수라고 할 때, $\Psi$-근사 가능 벡터 집합 $A_m(\Psi)$는 무한히 많은 정수 $q$와 $p_i$에 대해 $|qx_i - p_i| < \psi_i(q)$를 만족하는 벡터 $x \in [0, 1]^m$의 집합입니다.
  • 가중치 나쁜 근사 벡터 집합 $B_m(\Psi)$: $A_m(\Psi)$에서 임의의 $0 < c < 1$에 대한$A_m(c\Psi)$를 뺀 집합으로 정의됩니다. 즉,$A_m(\Psi)$에는 속하지만, 그보다 조금 더 작은 상수$c$를 곱한 함수로는 근사 불가능한 벡터들의 집합입니다.
• 연구 대상:
  • 근사 함수를 멱함수 형태인 $\psi_i(q) = q^{-\tau_i}$로 가정합니다 ($\Psi_\tau$).
  • 2 차원 ($m=2$) 경우를 다루며, 지수 $\tau = (\tau_1, \tau_2)$는 $\tau_1 \ge \tau_2 > 0$이고 $\tau_1 + \tau_2 > 1$을 만족합니다.
  • 기존 연구 (Schmidt, Wang & Wu 등) 에 따르면 $\sigma = \sum \tau_i = 1$일 때 차원은 $m$이고, $\sigma > 1$일 때 $A_m(\Psi_\tau)$의 차원은 알려져 있습니다. 그러나 가중치가 적용된 나쁜 근사 집합 $B_m(\Psi_\tau)$의 차원은 $\tau_1 \neq \tau_2$인 경우 명확히 규명되지 않았습니다.

2. 주요 결과 (Key Results)

이 논문의 핵심 정리는 다음과 같습니다.

정리 1.2 (Theorem 1.2):
$\tau = (\tau_1, \tau_2) \in \mathbb{R}^2_{>0}$가 $\tau_1 + \tau_2 > 1$이고 $\tau_1 \ge \tau_2$를 만족한다면, 임의의 공 $B \subseteq [0, 1]^2$에 대해 다음이 성립합니다.

$$\dim_H(B \cap B_2(\Psi_\tau)) = \dim_H A_2(\Psi_\tau) = \min \left\{ \frac{3 + \tau_1 - \tau_2}{1 + \tau_1}, \frac{3}{1 + \tau_2} \right\}$$

• 의미: 가중치 나쁜 근사 집합 $B_2(\Psi_\tau)$는 전체 근사 가능 집합 $A_2(\Psi_\tau)$와 국소적으로 동일한 하우스도르프 차원을 가집니다.
• 공식의 특징: 차원 값은 두 항 중 작은 값을 취하며, 이는 $\tau_1$과 $\tau_2$의 비대칭성 (가중치 차이) 에 의해 결정됩니다.

3. 방법론 (Methodology)

논문은 Cantor-type 구성 (Cantor-type construction) 과 질량 분포 원리 (Mass Distribution Principle) 를 기반으로 한 기하학적 증명을 사용합니다. Koivusalo 등 [5] 의 비가중치 (unweighted) 결과론을 가중치 설정으로 확장하는 데 중점을 두었습니다.

증명 과정은 크게 4 단계로 나뉩니다.

Step 1: $C_\tau(N)$ 집합의 구성

• 목적: 유리수 점 $p/q$의 특정 근방을 제거하여 $A_2(c\Psi_\tau)$에 속하지 않는 집합을 만듭니다.
• 기법:
  • 심플렉스 보조정리 (Simplex Lemma) 활용: 단위 정사각형을 작은 직사각형으로 분할하고, 분모가 특정 범위 ($N^{n-1} \le q < N^n$) 에 있는 유리수 점들이 특정 초평면 (hyperplane) 위에 놓이도록 유도합니다.
  • 점근적 제거: 이러한 초평면의 $\delta(n)$-근방을 반복적으로 제거하여 Cantor 집합 $C_\tau(N)$을 구성합니다.
  • 결과: $C_\tau(N)$은 임의의 유리수 $p/q$에 대해 $c(N)q^{-(1+\tau_i)}$ 크기만큼 떨어진 근방을 피하므로, $C_\tau(N) \cap A_2(c\Psi_\tau) = \emptyset$이 됩니다.

Step 2: 선도 유리수 (Leading Rationals) 집합 정의

• $C_\tau(N)$의 구조를 분석하기 위해 '선도 유리수' 집합 $Q(N, \tau)$를 정의합니다. 이는 제거 과정에서 핵심적인 역할을 하는 유리수 점들입니다.
• 주요 성질: $C_\tau(N)$의 임의의 점은 이 선도 유리수들에 의해 $\Phi_\rho$ (특정 멱함수) 로 근사 가능함을 보임으로써 $C_\tau(N) \subseteq A_2(\Psi_\tau)$임을 증명합니다.

Step 3: Cantor 부분집합 $D_\epsilon(B)$의 구성

• 목적: 주어진 공 $B$ 내부에서 $B \cap B_2(\Psi_\tau)$에 포함되면서 차원이 높은 Cantor 집합 $D_\epsilon(B)$를 구성합니다.
• 핵심 보조정리 (TG,R-Lemma):
  • Vitali Covering Lemma 를 직사각형에 적용하여, 기존 직사각형 $R$ 내부에 서로 소인 직사각형들의 집합을 선택할 수 있음을 보입니다.
  • 이 집합은 $R$의 르베그 측도 (Lebesgue measure) 의 일정 비율 ($c_2 \lambda(R)$) 을 차지합니다.
• 구성 알고리즘:
  1. $R_0 \subset B$에서 시작.
  2. TG,R-Lemma 를 적용하여 $R_0$ 내부의 소거된 직사각형들을 선택.
  3. 선택된 직사각형들을 '축소 (Shrinking)'하여 $R(\tau)$를 만듦 (근사 조건 충족).
  4. 이 과정을 무한히 반복하여 $D_\epsilon(B) = \bigcap_{n} \bigcup R(\tau)$를 정의.

Step 4: 질량 분포 (Mass Distribution) 및 차원 하한 증명

• 질량 분포 원리 (Mass Distribution Principle): $D_\epsilon(B)$ 위에 확률 측도 $\mu$를 정의하고, 임의의 공 $F$에 대해 $\mu(F) \le C r(F)^{s-\epsilon}$을 만족함을 보입니다.
• 증명 전략:
  • $F$가 $D_\epsilon(B)$와 교차하는 경우, $F$의 반지름 $r$과 중심의 분모 $Q$의 크기에 따라 3 가지 경우 (Case 1, 2, 3) 로 나누어 분석합니다.
  • 각 경우에서 $\mu(F)$의 상한을 $r$의 거듭제곱으로 추정하며, 지수가 목표 차원 $s$에 수렴함을 보입니다.
  • 특히 $\tau_1 \ge \tau_2$인 경우의 비대칭성을 고려하여 두 가지 식 중 작은 값이 차원이 됨을 유도합니다.

4. 기여도 및 의의 (Contributions and Significance)

1. 가중치 설정의 일반화: 기존에 $\tau_1 = \dots = \tau_m$인 대칭적인 경우 (Koivusalo et al., [5]) 에만 적용되던 결과가, $\tau_1 \neq \tau_2$인 비대칭 가중치 (weighted) 상황으로 확장되었습니다.
2. 국소 차원 공식의 정확성: $B_2(\Psi_\tau)$의 차원이 $A_2(\Psi_\tau)$와 동일하다는 사실을 증명하여, 나쁜 근사 집합이 전체 근사 가능 집합과 동일한 '크기' (하우스도르프 차원 관점) 를 가진다는 것을 확인했습니다.
3. 독립적인 증명 방법: 최근 Bandi 와 Fregoli [2] 가 '정확한 근사 (exact approximation)' 집합의 차원을 통해 유사한 결과를 얻었지만, 본 논문은 **순수 기하학적 구성 (Cantor-type construction)**과 질량 분포 기법을 사용하여 독립적인 증명을 제시했습니다. 이는 문제의 국소적 구조 (local structure) 를 직접적으로 분석하는 접근법의 유효성을 보여줍니다.
4. 이론적 확장: 2 차원에서의 결과를 증명함으로써, 고차원 ($m > 2$) 으로 일반화할 수 있는 방법론적 토대를 마련했습니다.

결론

이 논문은 2 차원 가중치 나쁜 근사 벡터 집합의 하우스도르프 차원에 대한 정확한 공식을 제시하며, 디오판토스 근사 이론에서 가중치가 다른 경우의 기하학적 구조를 심층적으로 규명했습니다. Cantor 집합 구성과 질량 분포 원리를 정교하게 결합한 증명 기법은 향후 관련 분야의 연구에 중요한 참고가 될 것입니다.