그래프 신경망은 부정합성 증명에 한계가 있다

본 논문은 그래프 신경망(GNN)과 논리 추론, 특히 부울식의 불만족(UNSAT) 증명 사이의 관계를 탐구한다. 서론에서는 논리 추론 문제가 명제 논리부터 고차 논리까지 다양한 복잡도를 갖으며, SAT 문제는 NP‑complete 수준의 어려움을 가지고 있지만, 최근 딥러닝, 특히 GNN이 SAT 해결에 성공적인 사례가 보고되고 있음을 언급한다. 그러나 이러한 성공이 UNSAT 증명까지 확장될 수 있는지는 미지수이며, 논문은 이를 “GNN은 일반적으로 UNSAT을 인증하지 못한다”는 가설로 제시한다. 2절에서는 GNN의 기본 구조를 소개한다. 메시지‑패싱 프레임워크에서 각 노드 v의 임베딩 h^{(k)}_v는 이전 단계의 임베딩과 이웃 노드들의 메시지를 집계·결합하여 업데이트된다(식 1). 부울식의 경우 CNF 형태를 이분 그래프로 변환해 변수와 절을 각각 노드로 두고, 변수 v와 절 Ψ(v) 사이의 연결을 이웃 관계로 정의한다. 이를 기반으로 식 2에서 리터럴과 절에 대한 메시지 전달 및 임베딩 업데이트 식을 제시한다. 여기서 핵심은 최종 단계 K에서 리터럴 임베딩만을 사용해 SAT/UNSAT 판단을 수행한다는 점이다. 3절에서는 UNSAT 인증이 GNN에 왜 어려운지를 두 가지 관찰을 통해 논증한다. 첫 번째 관찰(Observation 3.1)은 재귀적 알고리즘이 그래프를 동적으로 재구성한다면, 고정된 메시지‑패싱 구조를 가진 GNN은 이를 시뮬레이션할 수 없다는 것이다. 증명에서는 식 3을 통해 리터럴 업데이트가 이전 단계의 리터럴, 그 부정, 그리고 해당 리터럴이 포함된 절들의 임베딩에만 의존함을 보인다. 따라서 업데이트 함수가 모든 단계에서 동일하면 그래프 구조는 변하지 않는다. 반면 DPLL·CDCL 같은 완전 SAT 솔버는 변수 할당에 따라 절을 제거하거나 새로운 절을 추가하는 등 그래프를 바꾸며 진행한다. 이러한 변화를 반영하려면 업데이트 함수가 단계마다 달라야 하는데, 이는 고정된 GNN 구조와 모순된다. 따라서 GNN은 이러한 재귀적 절 변형 과정을 모방할 수 없으며, 결과적으로 UNSAT을 증명하는 완전 탐색을 수행하지 못한다. 두 번째 관찰(Observation 3.2)은 GNN이 WalkSAT과 같은 로컬 탐색 기반 비완전 SAT 솔버의 동작을 근사할 수 있음을 보여준다. WalkSAT은 무작위 초기 할당 후, 만족되지 않은 절을 선택하고 그 절에 속한 변수 하나를 플립하는 과정을 반복한다. 논문은 이를 GNN의 최적 집계·결합 함수 형태로 수식화한다. 식 4에서는 절 메시지를 집계할 때, 절이 이미 만족된 경우 0벡터를, 만족되지 않은 경우 무작위 벡터 ε(k)를 반환하도록 정의한다. 식 5에서는 리터럴 업데이트 시, 현재 가장 큰 메시지 노름을 가진 리터럴을 선택해 그 부정 임베딩으로 교체함으로써 변수 플립을 모방한다. 절에 대한 집계·결합은 Deep Sets 구조(식 6·7)를 이용해 절이 만족됐는지 여부를 판단하고, 만족 여부에 따라 절 임베딩을 유지하거나 0으로 만든다. 이러한 설계는 GNN이 로컬 서치를 통해 SAT을 찾는 과정을 시뮬레이션할 수 있음을 증명한다. 4절에서는 위 두 관찰을 종합해 GNN이 UNSAT을 인증하지 못하는 근본적인 이유를 정리한다. GNN은 정적 그래프와 로컬 메시지 전달에 기반하므로, 전역적인 충돌 분석이나 절 간 논리적 종속성을 포착하는 데 한계가 있다. 반면 WalkSAT과 같은 로컬 탐색은 이러한 제한 내에서 동작하기 때문에 GNN이 근사할 수 있다. 따라서 현재의 GNN 설계로는 UNSAT을 포함하는 복합 논리 추론(예: 2QBF, 고차 논리)에서 완전한 증명을 기대하기 어렵다. 결론에서는 GNN이 SAT 문제의 일부 서브클래스에서는 유용하지만, UNSAT을 포함한 전반적인 논리 추론에서는 구조적 한계가 존재함을 강조한다. 향후 연구 방향으로는 그래프 구조를 동적으로 변형할 수 있는 메커니즘(예: 그래프 재구성 네트워크)이나, 재귀적 절 변형을 학습할 수 있는 새로운 아키텍처를 제안한다.