🔢 mathematics

Frequency Ordered Ratio Families Arising from the Factorization of $p_{m-1}+1$

본 논문은 $p_{m-1}+1$ 의 인수분해에서 유도된 비율 값들의 주파수 순서 배열을 조사하여 이러한 플롯에서 나타나는 뚜렷한 '가족'들의 등장을 설명하고, 관측된 주파수 분포를 설명하기 위해 산술적 진행에 있는 소수에 기반한 휴리스틱 점근 모델을 제안한다.

원저자: Alexander R Povolotsky

게시일 2026-05-12

📖 4 분 읽기🧠 심층 분석

CC BY 4.0

원저자: Alexander R Povolotsky

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

숫자를 입력받아 그 바로 앞의 소수를 찾고, 거기서 1 을 뺀 뒤 다시 1 을 더하는 거대한 기계가 있다고 상상해 보세요. 수학적으로 이는 $p_{m-1} + 1$ 로 표현됩니다. 이 기계를 수천 개의 서로 다른 숫자에 적용하면 방대한 결과 목록이 생성됩니다.

대부분의 경우, 이러한 결과들은 작은 구성 요소 (소인수) 로 이루어져 있습니다. 하지만 때로는 기계가 시작 숫자보다 더 큰 거대한 구성 요소를 가진 결과를 만들어내기도 합니다.

이 논문은 바로 그러한 "거대한 블록" 순간들을 찾아내고, 이를 분해하며, 남은 부분을 분류하는 것에 관한 것입니다. 여기서는 저자 알렉산더 포볼로츠키가 발견한 바를 일상적인 용어로 설명한 이야기입니다.

1. "거대한 블록" 필터

$p_{m-1} + 1$ 이라는 숫자를 초콜릿 바라고 생각해 보세요. 보통 이 바는 크기가 같은 작은 정사각형 여러 개로 만들어져 있습니다.
하지만 특정 숫자들 (저자가 "A223881 계열"이라고 부르는 것들) 의 경우, 이 초콜릿 바는 바 전체보다 더 큰 거대한 정사각형 하나를 포함하고 있습니다 (수학적으로는 가장 큰 소인수가 인덱스 $m$ 보다 큽니다).

이런 일이 발생하면 저자는 말합니다. "그 거대한 정사각형을 떼어내자."

거대한 정사각형: 이것이 가장 큰 소인수 ( $L_m$ ) 입니다.
남은 부분: 이것이 바의 나머지 부분 ( $R_m$ ) 입니다.

이 논문은 오직 이 남은 부분들 ( $R_m$ ) 에만 초점을 맞춥니다.

2. 그래프 위의 "계열"들

이러한 "남은 부분" 하나하나를 그래프에 표시한다고 가정해 보세요. 무작위로 흩어진 무질서한 모습을 보게 되지는 않을 것입니다. 대신 뚜렷한 선이나 점들의 "계열"을 보게 될 것입니다.

왜 그럴까요? 수학이 저울처럼 작동하기 때문입니다.

거대한 정사각형이 거대하면 남은 부분은 작아집니다.
거대한 정사각형이 시작 숫자보다 조금만 크다면 남은 부분은 조금 더 큽니다.

따라서 "남은 부분"이 우연히 숫자 2가 될 때마다, 그 데이터 포인트들은 하나의 특정 곡선 위에 정렬됩니다. "남은 부분"이 3일 때마다, 그들은 또 다른 곡선 위에 정렬됩니다. 가장 흔한 곡선들은 가장 작은 남은 부분들 (2, 3, 4 등) 을 가진 것들입니다.

3. "빈도순" 목록

저자는 이 모든 남은 부분들을 가져와 각 숫자가 나타나는 횟수를 세고, "가장 흔한 것"에서 "가장 드문 것"까지 순서대로 나열하기로 결정했습니다.

그 결과 특정한 숫자 열이 나왔습니다:
2, 3, 4, 8, 6, 12, 10, 14, 15...

왜 2 가 첫 번째인가? 이것이 가장 흔한 남은 부분이기 때문입니다.
왜 3 이 두 번째인가? 이것이 그다음으로 흔한 남은 부분이기 때문입니다.
왜 8 이 6 보다 앞서는가? 6 이 8 보다 작지만, 이 특정 수학 과정에서 숫자 8 이 남은 부분으로 더 자주 나타나기 때문입니다.

이는 구슬을 색깔별로 분류하는 것과 비슷합니다. 다만 빨강이나 파랑 대신 "색깔"이 숫자이며, 각각을 얼마나 많이 찾았는지에 따라 분류한다는 점이 다릅니다.

4. "왜" (경험적 모델)

이 논문은 간단한 경험칙을 사용하여 왜 어떤 숫자들이 다른 숫자들보다 더 흔한지 설명하려 합니다:

퍼즐 조각 (숫자 $R$ ) 을 홈에 끼워 넣으려 한다고 상상해 보세요.

맞춤: 숫자 $R$ 은 수학 방정식에 완벽하게 "맞아야" 합니다. 이 논문은 "맞춤 규칙"이 적은 숫자들 (수학적으로 오일러 피 함수 값 $\phi(r)$ 이 낮은 숫자들) 이 더 쉽게 발견된다고 제안합니다.
희소성: 소수를 찾는 것은 건초더미에서 바늘을 찾는 것과 같습니다. 바늘이 희귀할수록 찾기 어렵습니다.

저자는 남은 숫자 $R$ 의 빈도가 방정식에 얼마나 "쉽게" 들어맞는지와 소수를 찾는 것이 얼마나 어려운지의 비율로 대략 결정된다고 제안합니다.

작은 숫자들 (2, 3, 4 등) 은 맞추기 쉽고 찾기 쉬우므로 끊임없이 나타납니다.
더 큰 숫자들은 맞추기 어렵고 찾기 어려우므로 드물게 나타납니다.

5. 컴퓨터가 한 일

이를 증명하기 위해 저자는 Mathematica 를 사용하여 이 "초콜릿 바" 실험을 50,000 번 수행하는 컴퓨터 프로그램을 작성했습니다.

50,000 까지의 모든 숫자를 확인했습니다.
거대한 소인수들을 떼어냈습니다.
남은 부분들을 세었습니다.
목록 2, 3, 4, 8, 6... 이 실제로 인기 순서의 올바른 순서임을 확인했습니다.

6. 우리가 아직 모르는 것 (미해결 문제)

이 논문은 컴퓨터가 패턴을 보여주고 있지만, 왜 정확히 이렇게 발생하는지에 대한 완벽한 수학 증명은 아직 없다는 점을 인정하며 끝납니다.

미스터리: 우리는 확률을 통해 (날씨를 예측하듯이) 패턴을 추측할 수 있지만, 아직 절대적인 확실성으로 증명할 수는 없습니다.
질문: 이 목록은 언제까지 변하지 않을까요? 소수가 남은 부분으로 나타날 때의 숨겨진 규칙은 무엇일까요?

요약

간단히 말해, 이 논문은 기이한 수학 기계를 가져와 "거대한" 부분을 가진 결과들을 필터링하고, 남은 "작은" 부분들을 살펴보는 것에 관한 것입니다. 이 작은 부분들을 나타나는 빈도순으로 분류함으로써, 저자는 소수의 무작위성과 구조화된 숫자 목록을 연결하는 아름답고 예측 가능한 패턴을 발견했습니다. 해변의 모든 다른 크기의 자갈을 그 흔함 정도에 따라 분류하면 완벽하고 예측 가능한 선을 이룬다는 것을 발견한 것과 조금 비슷합니다.

기술적 요약: $p_{m-1} + 1$ 의 인수분해에서 비롯된 주파수 순서 비율 계열

문제 제기
본 논문은 $p_n$ 을 $n$ 번째 소수로 정의할 때, 정수 수열 $p_{m-1} + 1$ 의 구조적 특성을 조사한다. 연구는 특히 OEIS 수열 A223881에 속하는 인덱스 $m \ge 3$ 의 부분집합에 초점을 맞춘다. 이 수열은 $p_{m-1} + 1$ 의 가장 큰 소인수인 $L_m$ 이 $m$ 을 초과한다는 조건 ( $L_m > m$ ) 으로 정의된다. 대부분의 $m$ 에 대해 $p_{m-1} + 1$ 의 모든 소인수는 $m$ 이하이므로, A223881 집합은 드물지만 구조화된 "예외적" 인덱스들의 모음을 나타낸다.

핵심 문제는 이 부분집합 내에서 보완 인자 $R_m = (p_{m-1} + 1) / L_m$ 의 분포를 이해하는 것이다. $m \in \text{A223881}$ 에 대한 $p_{m-1} + 1$ 의 계산적 플롯은 데이터 포인트가 뚜렷한 곡선들을 따라 군집하는 "패밀리" 현상을 보여준다. 본 논문은 이러한 군집 현상을 설명하고 $R_m$ 값들의 빈도에 기반한 수열을 유도하고자 한다.

방법론
저자들은 계산적 열거, 휴리스틱 확률 모델링, 그리고 고전적 정수론을 결합하여 활용한다:

계산적 열거: 연구는 $N = 50,000$ 까지의 $m$ 에 대해 $p_{m-1} + 1$ 의 값을 생성한다. 각 $m$ 에 대해 정수를 $L_m R_m$ 으로 인수분해한다. 저자들은 $L_m > m$ 인 경우를 필터링하여 결과적으로 얻어진 $R_m$ 값들을 다중집합 (multiset) 으로 수집한다.
주파수 순서화: $R_m$ 의 고유 값들은 발생 빈도 (감소 순서) 에 따라 정렬되어 새로운 수열 $S(N)$ 을 형성한다.
휴리스틱 모델링: 저자들은 특정 값 $r$ $r$ 이 $R_m$ $R_{m}$ 으로 나타나는 빈도를 추정하기 위한 확률 모델을 제안한다. 이 모델은 두 가지 조건에 의존한다:
- $r$ 은 $p_{m-1} + 1$ 을 나누어야 한다.
- 몫 $(p_{m-1} + 1)/r$ 은 소수여야 한다 (구체적으로 $L_m$ ).
이론적 분석: 본 논문은 $r \mid (p_{m-1} + 1)$ 이라는 나눗셈 조건을 만족하는 $m$ 의 밀도를 추정하기 위해 등차수열 내 소수에 대한 디리클레 정리를 활용한다.

주요 기여 및 결과

주파수 순서 비율 수열의 정의: 본 논문은 빈도에 따라 정렬된 고유한 $R_m$ 값들로 구성된 수열 $S(N)$ 을 정의한다. $N=50,000$ 일 때, 이 수열의 초기 구간은 $2, 3, 4, 8, 6, 12, 10, 14, 15, 18, \dots$ 이다. 저자들은 $N$ 이 증가함에 따라 초기 구간이 안정화되는 것으로 보인다고 지적한다.
"패밀리" 현상의 설명: 본 논문은 $p_{m-1} + 1$ 의 플롯에서 관찰된 뚜렷한 곡선들이 고정된 $R_m$ 값에 해당함을 명확히 한다. $L_m > m$ 은 제한적인 조건이므로 $L_m$ 은 커야 하며, 이는 $R_m$ 이 상대적으로 작아지도록 강제한다. 결과적으로 동일한 작은 $R$ 값을 가진 점들은 $p_{m-1} + 1 = R \cdot L_m$ 이라는 곡선을 따라 군집한다. 가장 두드러진 패밀리들은 가장 빈번한 $R_m$ 값들에 해당한다.
나눗셈 정리 (정리 1): 본 논문은 고정된 정수 $r \ge 1$ 에 대해, $r \mid (p_{m-1} + 1)$ 인 $m \le N$ 의 개수가 점근적으로 $N / \phi(r)$ 임을 확립한다. 여기서 $\phi$ 는 오일러 피 함수이다. 이 결과는 디리클레 정리에 기반한 휴리스틱으로 유도된다.
휴리스틱 점근 모델 (가설 1): 나눗셈 밀도 ( $1/\phi(r)$ ) 와 몫이 소수일 휴리스틱 확률 ( $1/\log N$ ) 을 결합하여, 저자들은 특정 $R_m = r$ 의 빈도가 다음 법칙을 따른다고 제안한다:
$\#\{m \le N : R_m = r\} \sim \frac{CN}{\phi(r) \log N}$
여기서 $C$ 는 1 에 가까운 양의 상수이다.
수치적 검증: $N=50,000$ 까지의 경험적 데이터에 대한 로그 - 로그 분석은 $\log(\text{count}(r))$ 과 $\log(\phi(r))$ 사이에 기울기가 -1 에 가까운 선형 관계를 확인하여 역오일러피 함수 가중치를 지지한다.
R 의 소수 값: 본 논문은 $R_m$ 이 소수일 수 있지만, 가장 빈번한 값들 사이에서는 이러한 발생이 드물다고 관찰한다. 오직 $R=2$ 와 $R=3$ 만이 빈번하게 나타나며, 더 큰 소수 $R$ 값들은 극히 드물게 발생한다.

의의 및 주장
본 논문은 $p_{m-1} + 1$ 의 "패밀리" 현상을 보완 인자 $R_m$ 의 빈도 분포와 연결함으로써 OEIS A223881 의 구조에 대한 새로운 관점을 제공한다고 주장한다. 주요 의의는 이러한 패밀리들의 순서가 점근적으로 오일러 피 함수의 역수 $\phi(r)^{-1}$ 에 의해 지배된다는 관찰에 있다.

저자들은 자신의 작업을 관찰된 계산적 패턴에 대한 설명과 휴리스틱 모델의 제안으로 겸손하게 framing 한다. 그들은 역- $\phi(r)$ 법칙의 엄밀한 증명은 여전히 열린 문제라고 명시적으로 밝힌다. 본 논문은 주파수 순서 목록 내의 점근적 분포나 소수 부분수열의 단조성을 증명했다고 주장하지는 않으며, 오히려 이를 $p_{m-1} + 1$ 의 인수분해 통계에 대한 더 깊은 통제가 필요한 열린 문제로 식별한다. 이 작업은 계산적 정수론적 관찰과 등차수열 내 소수에 대한 고전적 결과 사이의 가교 역할을 한다.