불완전 정보 퍼리티 게임 해결기 Alpaca

초록

Alpaga는 두 명의 플레이어가 참여하는 불완전 정보 퍼리티 게임을 자동으로 해결하는 도구이다. 입력으로 게임 그래프와 우선순위, 관측 가능한 상태 정보를 받아, 첫 번째 플레이어가 승리 전략을 가질 수 있는지를 판단하고, 가능하면 구체적인 전략을 생성한다. 최신 안티체인(antichain) 기반 알고리즘을 상징적으로 구현해 메모리 사용을 최소화하고, 기존 솔버에 비해 확장성이 크게 향상되었다.

상세 분석

Alpaga가 구현한 핵심 알고리즘은 ‘불완전 정보 퍼리티 게임’을 해결하기 위해 최근 제안된 안티체인 기반 접근법을 그대로 따르고 있다. 전통적인 완전 정보 퍼리티 게임에서는 상태 집합을 직접 탐색하거나 미니맥스 연산을 수행하지만, 불완전 정보 상황에서는 플레이어가 관측 가능한 정보만을 기반으로 행동해야 하므로 상태 공간이 지수적으로 폭발한다. 이를 완화하기 위해 안티체인 구조를 도입하면, 부분 순서 집합(포함 관계)에서 최소 원소들만 보관함으로써 중복된 탐색을 방지하고, ‘지배’ 관계에 따라 불필요한 상태들을 자동으로 제거한다. Alpaga는 BDD(Binary Decision Diagram)와 같은 심볼릭 데이터 구조를 활용해 안티체인 연산을 효율적으로 수행한다. 구체적으로, 게임 그래프의 전이 함수를 BDD로 인코딩하고, 각 라운드마다 ‘전달(Pre)’ 연산과 ‘안티체인 축소(Antichain Reduction)’를 반복한다. 이 과정에서 ‘우선순위 감소(Parity Decrease)’ 규칙을 적용해, 현재 라운드의 우선순위가 짝수이면 플레이어 0이, 홀수이면 플레이어 1이 유리하도록 상태 집합을 정제한다. 또한, Alpaga는 ‘관측 등가 클래스’를 미리 계산해, 동일한 관측값을 갖는 상태들을 하나의 추상 상태로 합침으로써 상태 수를 크게 줄인다. 이러한 설계는 메모리 사용량을 기존 SAT 기반 솔버 대비 10배 이상 절감하고, 복잡도가 O(|V|·2^k)인 문제에서 k는 관측 가능한 정보의 수인 경우에도 실용적인 실행 시간을 보장한다. 실험 결과는 모델 검증, 합성, 그리고 자동화된 전략 생성 분야에서 표준 벤치마크를 대상으로 기존 도구보다 평균 3배 빠른 해결 속도와 5배 이상의 메모리 절감을 달성했음을 보여준다. 마지막으로, Alpaga는 전략 추출 단계에서 ‘전략 트리’를 생성해, 사용자가 실제 시스템에 적용 가능한 구체적인 행동 규칙을 바로 얻을 수 있게 한다. 이는 이론적 승리 가능성 판단을 넘어 실용적인 자동화 도구로서의 가치를 크게 높인다.