알파베타는 생각보다 못한다: 구조적 의존성을 가진 합성 게임 모델로 본 알고리즘 비교

초록

본 논문은 기존의 독립적인 리프값 가정이 만든 단순 게임 트리 모델의 한계를 지적하고, 레벨별 조건부 분포를 이용해 조상 의존성을 부여한 “포워드 모델”을 제안한다. 이 모델에서 알파베타, 스카우트, SOLVE, TEST 등 고전적 결정론적 게임‑솔빙 알고리즘의 평균‑케이스 복잡도를 재귀식으로 유도하고, 깊은 트리에서는 알파베타가 상수 배 만큼 더 많은 리프를 탐색함을 보인다.

상세 분석

논문은 먼저 전통적인 “표준 모델”(leaf values가 독립적으로 고정 분포에서 샘플링되는 모델)이 실제 게임이 가지는 형제 간 상관관계를 전혀 반영하지 못한다는 점을 강조한다. Pear​l의 결과에 따르면, 유한값 집합을 사용할 경우 트리 높이가 커짐에 따라 루트값이 하나의 고정값으로 수렴하고, 이때 모든 합리적인 알고리즘이 동일한 √b 분기율을 달성한다. 이는 알고리즘 간 차별이 사라지는 인위적 현상이다.

이를 극복하기 위해 저자들은 “포워드 모델(F‑model)”을 정의한다. 루트값 x에서 시작해 각 레벨마다 b개의 자식을 생성하는데, 그 중 하나는 균등하게 선택되어 부모값의 부호를 반전시킨 −x를 상속받게 하고, 나머지 b−1개는 조건부 분포 µ에 따라 x에 의해 트렁케이트된 값으로 샘플링한다. 이렇게 하면 형제 노드 간에 부모값에 대한 의존성이 강제로 부여되어, 실제 체스·바둑 등에서 관찰되는 “전략적 연속성”을 모방한다.

수학적 분석은 크게 두 부분으로 나뉜다. 첫째, 이산값(0/1) 트리에서 SOLVE 알고리즘의 평균 복잡도를 정확히 계산한다. µ를 Bernoulli(q)로 두면, 복잡도는 q에 따라 연속적으로 변하는 함수 t(q,b)로 표현되며, q=0이면 최악의 경우 O(b) 분기율, q=1이면 √b 수준으로 수렴한다. 따라서 포워드 모델은 난이도 조절 파라미터 q를 통해 부드러운 난이도 스펙트럼을 제공한다.

둘째, 일반적인 정수값 집합 {−n,…,n}을 갖는 트리에서 TEST, AlphaBeta, Scout 알고리즘을 다룬다. 여기서는 값 x와 남은 자식 수 c를 상태 변수로 하는 기대 복잡도 Iₓ,ₛ(h,c)와, “특수 자식(부모값을 상속받은 자식)”이 이미 발견된 경우를 나타내는 Jₓ,ₛ(h,c)를 정의하고, 각각에 대해 재귀식(7),(8)을 유도한다. 이 식들은 조건부 기대값과 확률적 선택을 정확히 반영하므로, Monte‑Carlo 시뮬레이션 없이도 깊이 h≈5000까지의 트리에서 알고리즘 성능을 정량적으로 예측할 수 있다.

주요 발견은 다음과 같다. (1) 모든 알고리즘은 asymptotic( h→∞ ) 상황에서 동일한 분기율 r(b) 를 갖지만, (2) 유한 깊이에서는 상수 배 차이가 현저히 나타난다. 특히 AlphaBeta는 “특수 자식”을 찾기 전까지 모든 형제 노드를 탐색해야 하는 구조적 제약 때문에, Scout이나 TEST‑bisection에 비해 평균적으로 약 1.5~2배 정도 더 많은 리프를 평가한다. 이는 실제 게임 엔진에서 알파베타가 기대보다 느리게 동작할 수 있음을 설명한다.

또한, 포워드 모델은 기존 독립 모델이 제공하지 못했던 “난이도 조절” 메커니즘을 제공한다. µ의 파라미터(예: 트렁케이션 임계값, 카테고리 확률 pₖ)를 바꾸면 트리의 평균 최소·최대값 간 격차를 조절할 수 있어, 알고리즘 벤치마크용 테스트베드로 활용 가능하다. 저자들은 이를 기반으로 오픈소스 코드베이스를 공개했으며, 이를 통해 연구자들은 손쉽게 다양한 파라미터 설정 하에서 알고리즘을 비교·재현할 수 있다.

결론적으로, 논문은 독립 가정에 기반한 기존 평균‑케이스 분석이 지나치게 낙관적이며, 실제 게임의 구조적 복잡성을 반영하지 못한다는 점을 증명한다. 포워드 모델은 이러한 한계를 극복하면서도 수학적 트랙터빌리티를 유지하고, 알파베타와 같은 전통적 알고리즘이 실제로는 다른 알고리즘에 비해 실질적인 비용이 더 크다는 강력한 증거를 제공한다.