지능형 분산 의사결정 절차를 위한 게으른 분해와 크레이그 보간법

초록

본 논문은 복잡한 1차 논리식들을 사전 분석 없이 단순히 조각으로 나누고, 각 조각의 모델 검증에 실패할 경우 크레이그 보간법을 이용해 전역 제약을 추가하는 ‘게으른 분해(lazy decomposition)’ 프레임워크를 제안한다. 제안 알고리즘은 SAT/SMT 문제에 적용 가능하며, 실험 결과 전통적인 포트폴리오 기반 병렬 SAT 솔버보다 적은 자원으로도 유의미한 속도 향상을 보였다.

상세 분석

이 연구는 분산·병렬 검증 환경에서 기존에 사용되던 “divide‑and‑conquer” 방식의 높은 전처리 비용을 회피하고자, 논리식을 사전 분석 없이 단순히 절(clauses) 단위로 여러 파티션에 할당하는 게으른 분해 전략을 도입한다. 핵심 아이디어는 크레이그 보간정리(Craig Interpolation Theorem)를 활용해, 각 파티션이 현재 전역 모델 G와 충돌할 경우 ¬(ψ_i ∧ m) 에 대한 보간식 I를 생성하고 이를 전역 제약 G에 결합함으로써 모델 공간을 점진적으로 축소한다. 알고리즘 1은 전역 모델 G를 초기화하고, 각 파티션 ψ_i에 대해 현재 모델 m이 만족하지 않으면 보간식 I를 추출해 G←G∧I 로 업데이트한다. 이 과정은 G가 불만족(⊥)이 될 때까지 반복되며, G가 만족(⊤)이면 전역 모델이 모든 파티션에 확장 가능함을 의미한다.

이 접근법의 이론적 기초는 두 가지 정리로 뒷받침된다. 첫째, Lemma 1은 보간식 I가 ¬(ψ_i∧m)에 대한 보간이라면 원식 φ⇒I 가 성립함을 증명한다. 이를 통해 전역 제약 G에 I를 추가해도 기존 전역 모델을 배제하지 않으며, 오히려 불가능한 모델을 제거한다는 보장을 얻는다. 둘째, Theorem 2와 Theorem 3은 각각 알고리즘의 soundness와 finite‑domain 변수에 대한 completeness를 입증한다. 즉, 알고리즘이 ⊤를 반환하면 실제 전역 모델이 존재하고, ⊥를 반환하면 어떠한 전역 모델도 존재하지 않으며, 유한 도메인에서는 반드시 종료한다는 것이다.

실험에서는 전통적인 포트폴리오 기반 병렬 SAT 솔버(예: ManySAT, Plingeling)와 비교했을 때, 게으른 분해와 강력한 보간기법(특히 McMillan과 HKP 두 시스템)을 결합한 구현이 동일한 하드웨어에서 더 높은 스피드‑업을 달성함을 보여준다. 특히, 파티션 간 변수 공유가 많아도 보간식이 충분히 강력하면 추가적인 분할 비용 없이도 전역 충돌을 빠르게 탐지할 수 있다. 이는 기존의 “분할 후 양자화 제거” 방식이 요구하는 복잡한 전처리와 달리, 논리식 구조에 대한 사전 지식이 없어도 적용 가능함을 의미한다.

또한, 이 방법은 SAT뿐 아니라 SMT(이론 결합)에서도 적용 가능하다는 점을 강조한다. 보간식 생성 알고리즘이 해당 이론에 맞게 구현된다면, 동일한 프레임워크를 통해 복합적인 1차 논리식(예: 배열, 비트벡터, 실수 이론)에도 확장할 수 있다. 따라서 대규모 검증 문제에서 메모리·시간 제한을 극복하고, 클러스터·멀티코어 환경에서 효율적인 분산 해법을 제공한다는 점에서 학술적·실용적 의의가 크다.