ROBDD 기반 선형 근사 알고리즘

초록

본 논문은 선형(affine) 부울 함수의 근사화를 위해 기존의 모델 집합·동치식 표현 대신 감소된 순서형 이진 결정 다이어그램(ROBDD)을 활용한다. affine 함수의 벡터 공간적 특성을 정리하고, 이를 이용해 affine envelope를 효율적으로 계산하는 새로운 ROBDD 알고리즘을 제시한다. 실험 결과는 모델 집합 방식보다 메모리와 시간 모두에서 우수함을 보여준다.

상세 분석

논문은 먼저 지식 컴파일 분야에서 Horn 근사의 성공을 언급하며, affine 함수가 Horn과 유사하게 추론 비용이 낮고, 특히 모델 수가 2의 거듭제곱 형태로 제한돼 크기 폭발이 일어나지 않는 장점을 강조한다. 기존 연구(Zanuttini)는 affine 함수를 “모델 집합” 혹은 “mod 2 동치식” 형태로 표현했지만, 이러한 표현은 대규모 변수 집합에서 비효율적이다. 저자들은 이를 보완하기 위해 ROBDD라는 canonical한 부울 함수 표현을 도입한다. ROBDD는 변수 순서를 고정하면 동일 함수에 대해 유일한 그래프를 생성하므로, 동형성 검사와 합·곱·보수 연산이 O(n) 수준으로 수행된다.

논문은 affine 함수의 정의를 두 가지 관점에서 제시한다. 첫째, 모델 집합이 ⊕³(3‑ary XOR) 연산에 대해 닫혀 있는 경우를 벡터 공간으로 본다. 둘째, 함수가 선형 방정식들의 합성(conjunction) 형태로 나타날 수 있음을 보이며, 이는 모델 수가 0 또는 2^k 로 제한된다는 사실을 도출한다. 이러한 수학적 성질을 바탕으로 다음과 같은 핵심 정리를 증명한다.

1. 모델 집합이 ⊕³에 대해 닫혀 있으면, 임의의 모델 µ에 대해 µ를 기준으로 한 평행 이동(Mµ)은 0을 포함하는 벡터 공간이 된다.
2. 두 모델이 정확히 하나의 변수 v에 대해서만 차이가 날 경우, affine envelope는 v에 대해 독립적이며, 이는 변수 제거(∃v) 연산과 교환 가능함을 의미한다.
3. ∃v 연산과 affine envelope 연산이 교환 가능함을 보임으로써, 변수별 독립성을 판단하고 불필요한 변수들을 제거하는 과정이 효율적으로 수행될 수 있음을 입증한다.

알고리즘 설계에서는 ROBDD의 기본 연산인 OR(합성)과 모델 추출을 활용한다. Algorithm 1은 두 ROBDD를 합치는 재귀적 OR 연산을 정의하고, Algorithm 2는 ROBDD에서 하나의 모델을 찾아 반환한다. affine envelope를 구하는 핵심 절차는 다음과 같다.

• 현재 함수의 ROBDD를 입력으로 받아, 변수 순서에 따라 각 변수에 대해 “특성 평가”(χ_v)를 적용해 두 모델이 존재하는지 검사한다.
• 존재한다면 해당 변수는 affine envelope에서 제거될 수 있음을 기록하고, 변수 제거 후 남은 함수에 대해 재귀적으로 동일 검사를 수행한다.
• 모든 변수에 대해 검사 후, 남은 ROBDD가 바로 affine envelope가 된다.

이 과정은 각 변수마다 O(|R|) (R은 현재 ROBDD 노드 수) 만큼의 탐색을 수행하므로 전체 복잡도는 O(n·|R|)이며, 실제 구현에서는 캐시와 해시 테이블을 이용해 중복 연산을 방지한다.

실험에서는 무작위로 생성한 다양한 크기의 ROBDD(변수 수 20200, 노드 수 10³10⁶)를 대상으로 기존 Zanuttini의 모델 집합 기반 알고리즘과 비교하였다. 결과는 메모리 사용량이 평균 30%~70% 감소하고, 실행 시간도 2배 이상 빠른 것으로 나타났다. 특히 변수 수가 많아질수록 ROBDD 기반 방법의 우위가 두드러졌다.

전체적으로 논문은 affine 함수의 수학적 특성을 ROBDD와 결합함으로써, 기존 방법보다 더 압축적이고 연산 효율적인 근사화 기법을 제시한다. 이는 지식 컴파일, 모델 카운팅, 데이터 흐름 분석 등 다양한 응용 분야에서 Horn 근사 대신 affine 근사를 활용할 수 있는 실용적 기반을 제공한다.