학습을 활용한 추상 답집 솔버 설계와 검증

초록

본 논문은 답집 프로그램 생성 알고리즘을 전이 시스템 형태로 형식화한다. Smodels, Smodels‑cc, Asp‑Sat(Cmodels) 및 새로 구현한 Sup 알고리즘을 동일한 프레임워크 안에서 기술함으로써 올바름 증명, 성능 비교, 새로운 설계가 용이함을 보여준다. 특히 학습(Learning) 메커니즘을 추상화해 기존 DPLL 기반 SAT 솔버와의 연계성을 명확히 한다.

상세 요약

논문은 먼저 Davis‑Putnam‑Logemann‑Loveland(DPLL) 알고리즘을 전이 시스템으로 기술한 Nieuwenhuis·Oliveras·Tinelli(2006)의 접근을 답집(Answer Set) 분야에 적용한다는 점에서 혁신적이다. 전이 시스템은 상태(state)와 전이(transition) 규칙의 집합으로 구성되며, 각 규칙은 논리 프로그램의 현재 부분 해석을 어떻게 확장·축소할지를 명시한다. 이를 통해 알고리즘의 흐름을 수학적으로 엄격히 정의하고, 증명과 구현 사이의 격차를 메운다.

핵심 기여는 네 가지 답집 생성기—Smodels, Smodels‑cc, Asp‑Sat(Cmodels), 그리고 새로 제안한 Sup—를 동일한 전이 규칙 집합 위에 매핑한 것이다. 각 솔버는 기본 전이 규칙(결정, 전파, 충돌 탐지 등)에 추가적인 특수 규칙을 부착한다. 예를 들어 Smodels‑cc는 “conflict‑clause learning” 규칙을 통해 충돌 시 새로운 제약을 학습하고, 이를 이후 탐색 단계에서 재사용한다. Sup는 학습 메커니즘을 더욱 일반화하여, 충돌 원인뿐 아니라 비충돌 상태에서도 잠재적 불가능성을 사전에 차단하는 “look‑ahead learning” 규칙을 도입한다.

전이 시스템의 장점은 두드러진다. 첫째, 알고리즘의 올바름을 상태 불변식(invariant)과 전이 보존성으로 증명할 수 있다. 논문은 각 솔버마다 공통 불변식(예: 현재 부분 해석은 프로그램의 규칙을 위배하지 않는다)과 특수 불변식(예: 학습된 절은 항상 충돌을 방지한다)을 제시하고, 모든 전이가 이들을 유지함을 보인다. 둘째, 전이 규칙 간의 포함 관계를 통해 솔버 간의 상대적 강력함을 형식적으로 비교한다. 예컨대, Sup의 전이 집합은 Smodels‑cc의 전이 집합을 포함하므로, Sup는 동일한 입력에 대해 최소한 동일한 탐색 공간을 탐색한다는 것을 보장한다. 셋째, 구현 단계에서 전이 규칙을 그대로 코드 구조로 매핑할 수 있어, 설계와 구현 사이의 일관성을 확보한다.

또한 논문은 학습 메커니즘을 추상화함으로써 SAT 기반 답집 솔버와 전통적인 ASP 솔버 사이의 통합을 촉진한다. Asp‑Sat(Cmodels)은 SAT 솔버에 ASP 프로그램을 변환한 뒤, SAT 솔버의 학습 절을 그대로 활용한다. 전이 시스템은 이러한 변환 과정을 “프로그램 → CNF 변환” 전이와 “CNF → 학습 절” 전이로 분리해, 두 단계가 독립적으로 검증될 수 있음을 보여준다. 결과적으로, 학습을 포함한 답집 솔버의 설계가 보다 모듈화되고, 새로운 학습 전략을 기존 프레임워크에 삽입하는 것이 쉬워진다.

마지막으로, 실험적 평가를 통해 Sup가 기존 솔버 대비 충돌 회피와 탐색 깊이 감소에서 유의미한 개선을 보였으며, 전이 시스템 기반 설계가 실제 구현 효율성에도 긍정적인 영향을 미침을 확인한다.