인간적인 체스 탐색을 위한 이동 테이블 기반 전방 가지치기

초록

본 논문은 체스 프로그램의 탐색 효율을 높이기 위해 ‘이동 테이블’이라는 새로운 전방 가지치기 기법을 제안한다. 이동 테이블은 포지션이 아닌 이동 자체를 기억하고, 장기·단기 기억 구조를 통해 경로를 강화하거나 즉시 수정한다. 자동 특징 분석을 활용해 핵심·연관 사각형을 도출하고, 전술적 오류가 예상될 경우 패턴 기반 보완을 적용한다. 실험 결과, 전통적인 전방 가지치기의 블루런을 제거하고 최상위 수준의 실력을 유지한다.

상세 요약

이 논문은 기존 체스 엔진이 주로 포지션 기반 전이표(Transposition Table)를 활용해 중복 탐색을 방지하는 데 비해, ‘이동 테이블(Move Table)’이라는 완전히 새로운 메모리 구조를 도입한다는 점에서 혁신적이다. 이동 테이블은 특정 수(이동)를 키(key)로 삼아 해당 이동이 과거에 어떤 평가값을 얻었는지를 저장한다. 이는 “이동 자체가 기억된다”는 개념으로, 동일한 포지션이라도 다른 이동 순서가 존재할 경우 기존 전이표는 무시하지만 이동 테이블은 그 차이를 보존한다.

장기 기억(Long‑Term Memory, LTM)과 단기 기억(Short‑Term Memory, STM)의 이중 구조는 인간의 학습 메커니즘을 모방한다. LTM은 반복적으로 사용된 경로에 가중치를 부여해 강화 학습 형태로 업데이트한다. 반면 STM은 현재 탐색 단계에서 즉시 추가·삭제가 가능하며, 탐색 중에 발견된 새로운 전술적 위협이나 기회에 따라 동적으로 조정된다. 이러한 구조는 “긴 가지가 짧은 경로를 먼저 실행하고, 결과가 만족스럽지 않으면 전체 탐색으로 복귀”하는 전방 가지치기 전략을 가능하게 한다.

전방 가지치기의 핵심 위험은 중요한 변형을 놓칠 가능성이다. 이를 보완하기 위해 논문은 두 가지 안전장치를 제시한다. 첫째, 자동 특징 분석을 통해 ‘핵심 사각형(key squares)’과 ‘연관 사각형(related squares)’을 자동으로 도출한다. 이 사각형들은 현재 포지션에서 전략적으로 중요한 영역이며, 이동 테이블에 포함되지 않은 수가 이 사각형을 커버한다면 해당 수를 재삽입한다. 둘째, 전술적 실패가 예상되는 경우(예: 포크, 핀, 디스커버드 어택 등) 미리 정의된 패턴 매칭을 이용해 해당 수를 강제로 탐색에 포함시킨다. 이는 전통적인 전방 가지치기에서 흔히 발생하는 ‘블루런(blunder)’을 효과적으로 차단한다.

메모리 효율성 측면에서도 주목할 만하다. 이동 테이블은 포지션을 저장하는 전이표에 비해 훨씬 적은 메모리를 요구한다. 왜냐하면 동일한 포지션에서 발생할 수 있는 모든 가능한 이동을 일일이 저장하는 것이 아니라, 실제 탐색 과정에서 선택된 이동만을 기록하기 때문이다. 또한, LTM의 가중치 업데이트는 간단한 증감 연산으로 구현 가능해 연산 오버헤드가 최소화된다.

실험에서는 기존 최첨단 엔진과 비교했을 때, 이동 테이블 기반 엔진이 동일한 시간 제한 내에 탐색 깊이를 약 1~2 플러그(ply) 더 깊게 달성했으며, 전방 가지치기로 인한 실수율은 통계적으로 유의미하게 감소하였다. 특히, 전술적 복잡도가 높은 포지션에서 기존 전방 가지치기 방식이 놓치던 강력한 전술을 성공적으로 포착함으로써, 인간적인 ‘직관’에 가까운 움직임을 보여준다.

전체적으로 이 논문은 체스 프로그램이 인간의 사고 방식을 모방하면서도 계산 효율성을 유지할 수 있는 새로운 패러다임을 제시한다. 이동 테이블, 이중 기억 구조, 자동 특징 분석, 패턴 기반 보완이라는 네 가지 핵심 요소가 유기적으로 결합되어 전방 가지치기의 위험성을 최소화하고, 동시에 탐색 속도와 깊이를 향상시킨다.