SAT 솔버를 위한 새로운 위상 선택 휴리스틱: ACE와 포트폴리오 기반 접근

초록

본 논문은 충돌 기반 DPLL SAT 솔버의 위상 선택 단계에 ACE(Approximation of the Combined lookahead Evaluation) 가중치를 부분적으로 적용한 새로운 휴리스틱을 제안한다. 기존 RSA‑T와 Jeroslow‑Wang 휴리스틱에 ACE를 결합하고, 인스턴스 특성에 따라 적절한 위상 선택 전략을 선택하는 포트폴리오‑유사 방법을 설계하였다. 실험 결과, 특히 응용 분야 인스턴스에서 ACE를 포함한 MPhaseSAT이 기존 버전보다 현저히 빠르게 해결하며, 일부 기존 솔버가 풀지 못하던 인스턴스까지 해결함을 보였다.

상세 분석

이 논문은 SAT 솔버의 핵심 구성 요소 중 하나인 위상 선택(phase selection)에 초점을 맞추었다. 기존 충돌‑드리븐 DPLL 솔버에서는 RSA‑T(이전 선택 위상 재사용)와 Jeroslow‑Wang(JW) 두 가지 휴리스틱이 주로 사용되었으며, 두 방법 모두 변수의 양극성(positive/negative) 가중치를 단순히 카운트하거나 이전 선택을 기억하는 수준에 머물렀다. 저자들은 이러한 한계를 극복하기 위해, Look‑ahead 솔버인 March와 MoRsat에서 성공적으로 활용된 ACE 가중치를 차용하였다. ACE는 변수에 대한 가정 후 단위 전파(unit propagation)를 수행하고, 남은 절의 크기에 따라 가중치를 부여한다. 구체적으로 CNF 절에 대해서는 (W_{CNF}(n)=5/2^{-n}), XOR 절에 대해서는 (W_{XOR}(n)=5·0.85^{n}) 로 정의한다. 이 가중치는 변수의 양극성 중 더 큰 값을 갖는 리터럴을 선택하도록 만든다.

하지만 ACE 계산은 단위 전파와 절 크기 재계산을 필요로 하여 비용이 높다. 따라서 저자들은 ACE를 부분적으로 적용하는 전략을 설계했다. 검색 깊이가 30 이하인 초기 단계에서만 ACE를 사용하고, 그 외에는 기존 JW 혹은 RSA‑T를 사용한다. 또한 인스턴스 특성을 기반으로 ACE 적용 여부를 결정하는 규칙 집합을 제시하였다. 사용된 특징은 절 수, 변수 수, 절‑변수 비율, 탐색 깊이 평균, 고정되지 않은 변수 수, 이진 절 수, XOR 절 수, 크기 ≥9인 절의 개수 등 총 8가지이며, 모두 계산 비용이 낮다.

이러한 규칙 기반 분류는 포트폴리오 방법론과 유사하지만, 복잡한 회귀 모델이나 대규모 특징 집합을 사용하지 않는다. 대신 간단한 임계값 기반 조건을 수동으로 정의함으로써 구현 복잡성을 크게 낮췄다. 예를 들어, 절 수가 18 000 미만이거나 탐색 깊이 평균이 30 이하인 경우 ACE를 적용하고, XOR 절이 2 000 이상이면서 변수 고정 비율이 낮은 경우에도 ACE를 사용한다. 반대로, 절‑변수 비율이 낮고 이진 절 비중이 높은 경우에는 기존 PrecoSAT+RSA‑T 조합을 선택한다.

실험에서는 6개의 대표적인 위상 선택 전략을 비교하였다. (1) JW, (2) ACE(깊이 ≤30), (3) JW+RSA‑T(PrecoSAT), (4) PrecoSAT+tail‑JW, (5) ACE+PrecoSAT(결정 수 <30 000), (6) PrecoSAT+random, (7) 로컬 서치 기반. 표 1에 제시된 6개의 UNSAT 인스턴스(응용, 랜덤, 크래프티 카테고리)에서 ACE 기반 전략이 평균적으로 더 짧은 실행 시간을 기록했으며, 특히 응용 인스턴스에서 큰 차이를 보였다.

또한, ACE 적용이 비용이 많이 드는 경우(깊은 탐색 단계)에는 JW가 자동으로 대체되어 전체 성능 저하를 방지한다. 이는 ACE가 “동적”이며, 매 단계마다 재계산되는 점을 고려한 실용적인 설계라 할 수 있다.

결과적으로, 논문은 다음과 같은 주요 통찰을 제공한다.

1. 위상 선택은 SAT 솔버 성능에 큰 영향을 미치며, 기존 단순 휴리스틱을 넘어 구조적 정보를 활용할 여지가 있다.
2. ACE와 같은 Look‑ahead 기반 가중치는 비용이 크지만, 제한된 상황에만 적용하면 실질적인 성능 향상을 얻을 수 있다.
3. 포트폴리오‑유사 인스턴스 분류를 단순 규칙으로 구현함으로써, 복잡한 머신러닝 모델 없이도 효과적인 전략 선택이 가능하다.
4. 제안된 MPhaseSAT은 특히 응용 분야(예: 소프트웨어 검증, 하드웨어 설계)에서 기존 솔버 대비 월등히 빠른 해결 능력을 보이며, 일부 기존 솔버가 포기한 인스턴스까지 해결한다.

이러한 접근은 SAT 솔버 설계에서 “전략적 비용‑편익 트레이드오프”를 명확히 보여주며, 향후 위상 선택뿐 아니라 다른 휴리스틱(예: 변수 선택, 클라우스 삭제 정책)에도 유사한 부분 적용이 가능함을 시사한다.