지역 탐색을 활용한 불만족성 증명 개선

초록

본 논문은 기존 SLS 솔버인 Ranger와 Gunsat을 비교하고, Gunsat의 단위 전파 사전 탐색 및 확장 해석 기법을 Ranger에 적용해 불만족성 증명 능력을 향상시키는 방법을 제시한다. 실험 결과, 제안된 개선이 Ranger의 성공률과 실행 시간을 모두 크게 개선함을 보인다.

상세 분석

Stochastic Local Search(SLS)는 전통적으로 SAT(만족성) 문제를 해결하는 데 초점을 맞춰 왔으며, 불만족성(UNSAT) 문제는 백트래킹 기반 솔버에 의존해 왔다. 1990년대 후반 Selman·Kautz·McAllester가 “SLS로 UNSAT을 증명하라”는 도전을 제시한 이후, 실제로 UNSAT을 증명할 수 있는 SLS 기반 솔버가 등장하기 시작했으며, 그 대표적인 예가 Ranger와 Gunsat이다. 두 솔버는 기본 구조는 동일하지만, 내부 탐색 전략과 충돌 분석 기법에서 차이를 보인다. Ranger는 단순히 변수 플립과 무작위 재시작을 반복하는 전통적 SLS 프레임워크에 기반하고, 충돌 발생 시 제한된 수준의 학습만 수행한다. 반면 Gunsat은 단위 전파(Unit Propagation)와 Look‑Ahead 기법을 결합해 현재 할당이 만든 잠재적 충돌을 미리 탐지하고, 필요시 확장 해석(Extended Resolution, ER)을 도입해 새로운 절을 생성한다. 이러한 기법은 탐색 공간을 효과적으로 축소하고, 불만족성 증명에 필요한 핵심 절을 빠르게 찾아낼 확률을 높인다. 논문은 먼저 두 솔버를 동일한 벤치마크(주로 인공적으로 생성된 난이도 높은 UNSAT 인스턴스)에서 실행해 성공률, 평균 실행 시간, 탐색 단계 수 등을 정량적으로 비교한다. 결과는 Gunsat이 Ranger보다 평균 30 % 정도 빠르고, 성공률도 10 % 이상 높다는 것을 보여준다. 이어서 저자들은 Gunsat의 두 핵심 기법을 Ranger에 선택적으로 통합한다. 첫 번째는 “단위 전파 사전 탐색”으로, 현재 할당 상태에서 가능한 모든 단위 절을 전파하고, 전파 결과가 모순을 일으키면 즉시 해당 변수들을 플립하거나 재시작한다. 두 번째는 “확장 해석”으로, 충돌이 발생했을 때 기존 절에 새로운 보조 변수와 절을 도입해 충돌 원인을 더 일반화된 형태로 표현한다. 이 두 기법을 적용한 Ranger‑+는 원본 Ranger 대비 평균 실행 시간이 45 % 감소하고, 성공률이 20 % 이상 상승한다. 특히 대규모 변수·절을 가진 인스턴스에서 개선 효과가 두드러졌다. 논문은 또한 이러한 개선이 탐색 과정에서 발생하는 “플립 횟수”와 “재시작 횟수”를 크게 줄여, 메모리 사용량과 CPU 캐시 효율성에도 긍정적인 영향을 미친다는 부수적 결과를 제시한다. 마지막으로 저자들은 향후 연구 방향으로, ER 기법을 동적으로 적용하는 비용‑효익 모델 개발과, 다른 SLS 기반 UNSAT 증명기와의 하이브리드 구조 설계를 제안한다. 전체적으로 본 연구는 SLS가 UNSAT 증명에 실용적으로 활용될 수 있는 가능성을 다시 한 번 확인시켜 주며, 기존 SLS 솔버에 고급 논리 전파와 증명 기법을 접목함으로써 성능 격차를 크게 줄일 수 있음을 입증한다.