충돌 해결을 위한 휴리스틱 설계와 평가

초록

본 논문은 SAT와 ASP 솔버에서 핵심인 충돌 분석 단계에 적용할 수 있는 다양한 휴리스틱을 제안하고, 고정된 충돌 분석 스킴 하에서 “좋은” 충돌 원인을 선택하는 방법을 체계적으로 실험·비교한다. ASP 환경을 중심으로 수행된 실험 결과는 제안된 휴리스틱이 기존 방식보다 학습 절차를 가속화하고 탐색 효율을 크게 향상시킴을 보여준다.

상세 분석

논문은 먼저 현대 SAT·ASP 솔버가 충돌 기반 학습(conflict‑driven learning)과 그에 수반되는 충돌 분석(conflict analysis) 과정을 어떻게 구현하고 있는지를 정리한다. 충돌 분석은 일반적으로 “첫 번째 UIP(Unique Implication Point)” 혹은 “다중 UIP”와 같은 스킴을 사용해 충돌에 기여한 리터럴들의 최소 집합을 도출하고, 이를 새로운 학습 절을 생성하는 데 활용한다. 저자들은 이러한 스킴이 고정된 상황에서, 실제로 어떤 충돌 원인이 “좋은” 학습 절을 만들 가능성이 높은지를 판단하는 휴리스틱이 부재함을 지적한다.

이를 해결하기 위해 네 가지 주요 휴리스틱을 설계하였다. 첫 번째는 리터럴 빈도 기반으로, 현재 탐색 과정에서 가장 자주 등장한 리터럴을 우선적으로 포함시키는 방식이다. 두 번째는 활성도(activation) 기반으로, 최근에 활성화된(즉, 최근에 단위 절로 변환된) 리터럴을 선호한다. 세 번째는 제한된 깊이 기반으로, 충돌 그래프에서 루트(결정 레벨)와의 거리(깊이)를 최소화하는 리터럴을 선택한다. 네 번째는 혼합 스코어로, 위 세 가지 요소를 가중합해 종합 점수를 산출하고, 점수가 높은 리터럴을 우선 선택한다.

각 휴리스틱은 ASP 솔버인 clingo의 충돌 분석 모듈에 플러그인 형태로 삽입되어, 동일한 충돌 분석 스킴(예: 첫 번째 UIP) 하에서 실험적으로 비교되었다. 실험 벤치마크는 SAT Competition과 ASP Competition에서 제공된 다양한 인스턴스를 포함했으며, 성능 지표는 해결 시간, 학습 절의 수, 그리고 메모리 사용량을 포함한다. 결과는 특히 활성도 기반과 혼합 스코어 휴리스틱이 다른 방법에 비해 평균 15~20% 정도의 시간 절감 효과를 보였으며, 학습 절의 수 역시 유의미하게 감소함을 보여준다.

또한 논문은 SAT 분야에서도 동일한 휴리스틱을 적용했을 때 비슷한 경향이 관찰된다는 점을 언급한다. 이는 ASP와 SAT가 공유하는 충돌 기반 학습 메커니즘이 동일한 휴리스틱 설계 원칙에 의해 최적화될 수 있음을 시사한다. 마지막으로, 저자들은 휴리스틱 선택이 솔버의 전체 파이프라인(예: 변수 선택, 재시작 정책)과 상호작용할 때 발생할 수 있는 복합 효과에 대한 추가 연구 필요성을 강조한다.