Forcing with random variables in bounded arithmetics and set theory

이 논문은 Krajicek 의 유계 산술에서 개발된 부울 값 무작위 강제법을 집합론적 강제법의 관점에서 분석하여, 비표준 $\omega_1$-포화 모델에서 해당 강제법이 $2^{\omega_1}$에 대응하는 확률 대수와 동형임을 보임으로써 유계 산술의 강제법을 공리적 접근법 대신 집합론적 프레임워크로 해석하는 새로운 관점을 제시합니다.

핵심

1. 배경: 두 개의 다른 도서관

우선 두 가지 도서관을 상상해 보세요.

• 작은 도서관 (유계 산술): 이 도서관은 아주 작은 책들만 다룹니다. 여기서 '수'는 아주 제한된 범위 내에서만 존재합니다. 이 도서관의 규칙을 바꾸려면 아주 섬세하고 복잡한 장비를 써야 합니다.
• 큰 도서관 (집합론): 이 도서관은 무한한 크기의 책과 새로운 세계를 만들 수 있는 마법 같은 도구 (강제법, Forcing) 를 다룹니다. 여기서 '수'는 무한히 많고, 새로운 숫자를 만들어내는 마법이 잘 정립되어 있습니다.

2. 문제: 작은 도서관에 새로운 숫자를 넣는 방법

작은 도서관 (유계 산술) 에는 '새로운 숫자'를 넣는 방법이 거의 없었습니다. 기존에 알려진 방법은 아주 단순한 '코헨 (Cohen)'이라는 마법 (새로운 숫자를 뚝딱 만들어내는 것) 이 있었습니다. 하지만 저자가 다루는 **'크라지체크 (Krajíček)'**라는 수학자가 개발한 방법은 조금 달랐습니다. 그는 **'랜덤 변수 (무작위 변수)'**라는 도구를 써서 새로운 숫자를 만들려고 했습니다.

이 방법은 마치 복권을 뽑는 것과 비슷합니다.

• 기존에는 "이 숫자는 1 이고, 저 숫자는 2 야"라고 딱 정해져 있었는데,
• 크라지체크의 방법은 "이 숫자는 복권에서 나온 무작위한 숫자야"라고 하는 것입니다.

하지만 이 '복권'이 너무 복잡해서, 작은 도서관의 규칙 안에서 어떻게 작동하는지 정확히 이해하기 어려웠습니다.

3. 발견: 거대한 도서관의 지도를 빌려오다

저자는 이 복잡한 '복권' 시스템을 큰 도서관 (집합론) 의 관점에서 다시 살펴봤습니다. 그리고 놀라운 사실을 발견했습니다.

"작은 도서관에서 사용하는 이 복잡한 '복권' 시스템은, 사실 큰 도서관에서 아주 오랫동안 쓰여 온 '무작위 실수 (Random Real)'를 만드는 마법과 완전히 똑같은 구조야!"

비유로 설명하자면:
작은 도서관에서 아주 정교하게 설계된 **'거대한 주사위 (비표준 모델)'**를 굴려서 새로운 숫자를 뽑으려 했죠. 그런데 저자가 보니, 그 주사위의 구조를 자세히 분석해 보니, 사실은 큰 도서관에서 '무한한 면을 가진 주사위'를 굴리는 것과 수학적으로 똑같았습니다.

• 크라지체크의 방법: 비표준적인 (일반인이 이해하기 힘든) 숫자 $\Omega$를 이용해 복잡한 확률 계산을 함.
• 저자의 발견: 그 계산 결과는 사실 **$2^{\omega_1}$ (무한한 차원의 공간)**에서 무작위로 한 점을 찍는 것과一模一样 (일치) 합니다.

즉, 작은 도서관에서 고군분투하던 수학자들은 사실 **큰 도서관의 유명한 '랜덤 강제법 (Random Forcing)'**을 몰래 쓰고 있었던 셈입니다.

4. 결과: 새로운 숫자들이 어떻게 퍼지는가

이 발견을 통해 저자는 작은 도서관에 새로운 숫자가 들어왔을 때, 기존 숫자들과 어떻게 섞이는지 분석했습니다.

• 밀도 (Density) 문제: 새로운 숫자가 들어오면, 기존 숫자들 사이에 끼어드는가? 아니면 뚝뚝 끊겨 있는가?
• 발견: 새로운 숫자들은 기존 숫자들 사이사이에 아주 빽빽하게 (밀도 있게) 들어옵니다. 마치 모래알 사이로 물이 스며들듯이, 기존 숫자들 사이에 새로운 '무작위 숫자'들이 꽉 차게 들어옵니다.
• 하지만 이 새로운 숫자들은 기존 숫자들과는 완전히 다른 성질을 가집니다. 마치 유리창처럼, 기존 숫자들은 유리창 밖의 고정된 점들이고, 새로운 숫자는 유리창을 스며드는 물방울처럼 어디에나 존재할 수 있습니다.

5. 결론: 왜 이 이야기가 중요한가?

이 논문은 단순히 "A 와 B 가 같다"라고 말하는 것을 넘어, 두 가지 다른 수학 세계가 어떻게 서로 통하는지 보여줍니다.

1. 통찰의 확장: 작은 도서관 (유계 산술) 에서의 복잡한 문제를, 큰 도서관 (집합론) 에서 이미 잘 알려진 도구로 해석할 수 있게 되었습니다. 이는 마치 복잡한 기계의 내부 구조를 알면, 그 기계가 어떻게 작동하는지 쉽게 이해할 수 있는 것과 같습니다.
2. 새로운 가능성: 작은 도서관의 규칙을 바꾸는 '강제법'이 사실은 큰 도서관의 강력한 마법 중 하나였다는 것을 알게 되면, 큰 도서관에서 이미 발견된 수많은 결과들을 작은 도서관에 적용해 볼 수 있습니다.
3. 역사적 의미: 이 방법은 크라지체크가 스코트 (Scott) 라는 수학자가 '연속체 가설'을 부인하는 데 썼던 방법을 변형해서 만든 것입니다. 저자는 이 두 가지가 동일한 구조임을 증명함으로써, 수학의 서로 다른 분야가 어떻게 깊은 곳에서 연결되어 있는지를 보여주었습니다.

요약

이 논문은 **"작은 세계의 복잡한 확률 실험이, 사실은 거대한 세계의 유명한 '무작위성' 마법과 똑같았다"**는 것을 증명합니다. 마치 작은 방에서 복잡한 퍼즐을 풀고 있었는데, 그 퍼즐 조각이 사실은 거대한 성을 짓는 데 쓰이는 표준 블록과 똑같다는 것을 발견한 것과 같습니다.

이 발견을 통해 수학자들은 이제 작은 세계의 문제를 풀 때, 거대한 세계의 강력한 도구들을 더 자유롭게 사용할 수 있게 되었습니다.

기술 요약

이 논문은 Radek Honzik 이 작성한 것으로, bounded arithmetic(유계 산술) 에서 Krajíček 이 개발한 확률 변수를 이용한 강제법 (forcing) 을 집합론적 강제법의 관점에서 분석하고 재해석하는 내용을 담고 있습니다. 주요 내용은 다음과 같습니다.

1. 연구 문제 (Problem)

• 배경: Jan Krajíček 은 [19] 에서 비표준 분석 (non-standard analysis) 의 Loeb 측도를 기반으로 확률 측도 대수 (probability measure algebra) 를 사용하여 유계 산술의 Boolean 값 모델을 구성하는 강제법 ($B_{M, \Omega}$) 을 개발했습니다. 이 방법은 유계 산술에서 "일반적인 (generic)" 정수들을 추가하여 다양한 명제의 독립성을 증명하는 데 사용되었습니다.
• 문제점: 이 강제법 구성은 유계 산술의 맥락에서 고안되었으나, 그 구조가 집합론의 강제법과 어떻게 연결되는지, 그리고 집합론적 관점에서 어떤 의미를 갖는지에 대한 명확한 분석이 부족했습니다. 특히, 이 강제법이 어떤 집합론적 강제법과 동형인지, 그리고 생성된 모델의 구조적 특성 (선형 순서 등) 은 무엇인지에 대한 이해가 필요했습니다.
• 목표: Krajíček 의 강제법을 집합론적 강제법의 프레임워크 내에서 재해석하고, 생성된 모델 $M[G]_R$ 의 구조적 성질 (특히 선형 순서 $<$ 에 대한 밀도 관계) 을 규명하며, 이를 통해 유계 산술의 강제법에 대한 새로운 통찰을 제공하는 것입니다.

2. 방법론 (Methodology)

• 집합론적 강제법 프레임워크 적용: 논저는 전순서 집합 (transitive model) 인 집합론 모델 $V$ 내에서 비표준 산술 모델 $M$ 을 고려하고, $V$ 의 강제 확장 $V[G]$ 를 통해 $M$ 의 일반적 확장 (generic extension) $M[G]_R$ 을 정의합니다.
• Maharam 정리 활용: Krajíček 의 확률 대수 $B_{M, \Omega}$ 가 Maharam-type homogeneous(마하람 유형 동질성) 를 가지는지 분석합니다. 이를 통해 해당 대수가 표준적인 집합론적 강제법 대수와 동형인지 판별합니다.
• 비표준 분석과 Loeb 측도: $M$ 이 $\omega_1$-포화 (saturated) 모델이고 $\Omega \in M$ 이 비표준 수일 때, $M$ 내부의 유한 집합들에 대한 Loeb 측도를 정의하고 이를 통해 확률 대수 $B_{M, \Omega}$ 를 구성합니다.
• 랜덤 변수 (Random Variables) 의 역할 분석: 강제법의 조건으로서의 랜덤 변수들의 집합 $R$ 이 모델 $M[G]_R$ 의 도메인을 어떻게 결정하는지, 그리고 $R$ 의 선택에 따라 생성되는 모델들이 어떻게 서로 포함 관계에 있는지 분석합니다.

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

A. 강제법의 동형성 (Isomorphism of Forcing Notions)

• 주요 정리 (Theorem 5.13): 연속체 가설 (CH) 을 가정하고, $M$ 이 크기 $\omega_1$ 인 $\omega_1$-포화된 참 산술 (true arithmetics) 모델이며 $\Omega \in M$ 이 비표준 수일 때, Krajíček 의 강제법 $B_{M, \Omega}$ 는 집합론적 확률 대수 $B_{\omega_1}$ (즉, $2^{\omega_1}$ 위의 곱측도 공간에 대응하는 대수) 와 측도 대수로서 동형임을 증명했습니다.
• 의미: 이는 Krajíček 의 강제법이 본질적으로 집합론에서 $\omega_1$ 개의 "랜덤 실수"를 추가하는 강제법과 동일함을 의미합니다. 이는 Scott 이 CH 의 부정을 증명하기 위해 사용한 방법 (Scott [28]) 과 유사한 구조를 가짐을 보여줍니다. 다만, Scott 은 실수를 추가하는 반면, Krajíček 은 비표준 정수를 추가한다는 점이 다릅니다.

B. 일반적 확장 모델의 구조 (Structure of Generic Extensions)

• 랜덤 정수 (Random Integer): 강제 필터 $G$ 에 의해 결정되는 새로운 정수 $id_G$ (랜덤 변수 $id$ 의 값) 가 전체 확장 $V[G]$ 를 생성함을 보였습니다 (Theorem 5.21).
• 선형 순서의 밀도 (Density of Linear Orders):
  • 새로운 정수의 밀집성: $R$ 에 적절한 랜덤 변수가 포함되면, $M[G]_R$ 의 새로운 정수들은 $M$ 의 정수들 사이에 매우 밀집하게 삽입됩니다 (Theorem 5.24).
  • 기저 모델 정수의 밀집성: $M$ 의 정수들이 $M[G]_R$ 의 정수들 사이에서 얼마나 밀집해 있는지는 랜덤 변수의 종류 (유계/비유계) 에 따라 달라집니다.
    • 유계 랜덤 변수의 경우, 새로운 정수 $id_G$ 주변의 매우 작은 간격에는 $M$ 의 정수가 존재하지 않을 수 있습니다.
    • 비유계 (unbounded) 랜덤 변수의 경우, $id_G$ 주변의 임의의 작은 간격에도 $M$ 의 정수가 존재하지 않습니다 (Theorem 5.27).
• 최대 모델과 부분 모델: 모든 랜덤 변수를 포함하는 집합 $R_{max}$ 에 대응하는 모델 $M[G]_{R_{max}}$ 는 "최대 모델"이며, 다른 모든 $M[G]_R$ 은 이의 부분 구조 (substructure) 가 됩니다 (Theorem 5.30).

C. 개념적 재해석

• 약한 이론에 대한 강제법 프레임워크: 유계 산술과 같은 약한 이론에 대한 강제법을 구축할 때, 해당 이론 전용의 강제법 체계를 개발하는 대신, 집합론 모델 $V$ 내에서 해당 이론의 모델을 보고 $V[G]$ 에서의 확장을 연구하는 접근법이 유효함을 보였습니다.
• Paris-Wilkie 강제법과의 비교: Paris-Wilkie 강제법 (Cohen 실수 추가) 이 유한 조건을 사용하는 반면, Krajíček 의 강제법은 비분리 (non-separable) 인 확률 대수를 사용하여 비표준 정수를 추가한다는 점을 대조했습니다.

4. 의의 및 중요성 (Significance)

• 이론적 통합: 유계 산술의 강제법과 집합론의 강제법 사이의 간극을 메웠습니다. Krajíček 의 강제법이 단순히 유계 산술을 위한 특수한 기법이 아니라, 잘 연구된 집합론적 강제법 ($B_{\omega_1}$) 의 한 사례임을 명확히 했습니다.
• 새로운 통찰: 논저는 새로운 독립성 정리 (independence theorems) 를 직접 증명하는 것을 목표로 하지 않았지만, 생성된 모델 $M[G]_R$ 의 선형 순서 구조에 대한 분석을 통해 유계 산술의 모델 이론적 성질에 대한 깊은 이해를 제공했습니다.
• 대안적 접근법 제시: Atserias 와 Müller [2] 가 제안한 공리적 강제법 접근법 (countable 모델 기반) 에 대한 대안으로, 집합론적 강제법을 활용한 접근법을 제시했습니다. 이는 비표준 모델의 포화성 (saturation) 과 집합론적 강제법의 강력한 도구를 결합하여 유계 산술의 복잡성 문제 (예: 증명 하한) 를 연구하는 새로운 길을 열 수 있음을 시사합니다.

요약하자면, 이 논문은 Krajíček 의 확률 강제법이 집합론적 관점에서 $B_{\omega_1}$ 강제법과 동형임을 증명하고, 이를 통해 비표준 산술 모델에 새로운 정수가 어떻게 밀집하게 추가되는지 그 구조적 특성을 규명함으로써, 유계 산술의 강제법 연구에 집합론적 관점과 도구를 도입한 중요한 기여를 했습니다.