대규모 그래프 색칠을 위한 물리 영감 신경망

초록

본 논문은 그래프 신경망(GNN)에 통계 물리학의 원리를 결합해, 플랜팅 기반 지도학습, 대칭 파괴 정규화, 그리고 점진적 노이즈‑어닐링 과정을 통해 대규모 무작위 그래프의 색칠 문제를 효율적으로 해결한다. 학습된 모델은 작은 그래프에서 훈련된 뒤도 수천 배 큰 그래프에 일반화되며, 알고리즘적 임계점에 근접한 성능을 보인다.

상세 분석

이 연구는 그래프 색칠(GCP)을 안티‑페롭스 모델의 에너지 최소화 문제로 재구성하고, 이를 물리‑영감 신경망 프레임워크에 매핑한다. 핵심 아이디어는 세 가지 요소이다. 첫째, ‘플랜팅’ 기법을 이용해 무작위 그래프와 동일한 통계적 특성을 유지하면서도 사전에 알려진 최적 색칠 해를 삽입한다. 이렇게 생성된 플랜트 그래프는 지도학습용 라벨을 제공함과 동시에, 실제 무작위 그래프와 구별이 어려운 ‘quiet‑planting’ 구간을 확보한다. 둘째, 손실 함수는 두 부분으로 구성된다. (i) 페롭스 에너지와 직접 연관된 차별 가능한 에너지 항은 색 충돌을 최소화하도록 유도하고, (ii) 대칭 파괴(overlap) 항은 색상의 순열 대칭을 깨뜨려 모델이 특정 색 배치를 학습하도록 만든다. 이 두 항을 가중합함으로써, 학습 단계에서 모델은 에너지 지형의 저지대뿐 아니라, 다중 클러스터가 존재하는 복잡한 해 공간에서도 탈출 경로를 찾을 수 있다. 셋째, 추론 단계에서는 ‘노이즈‑어닐링’ 메커니즘을 도입한다. 초기에는 큰 가우시안 노이즈를 메시지에 추가해 탐색 범위를 넓히고, 반복 횟수가 증가함에 따라 점차 노이즈 강도를 감소시켜 해에 수렴한다. 이 과정은 물리학의 온도 감소와 유사하게 메타안정 상태를 탈피하고, 최종적으로 β→∞(즉, 무한 저온) 상황에 가까운 색칠 해를 얻는다.

모델 아키텍처는 다층 메시지 패싱 네트워크로, 각 레이어에서 MLP 기반 메시지 함수 ϕ와 업데이트 함수 γ를 사용한다. 메시지는 합, 평균, 최대값 등 교환 불변 연산으로 집계되며, 최종 레이어에서는 소프트맥스를 적용해 각 정점이 q가지 색 중 하나에 할당될 확률 분포를 출력한다. 중요한 점은 레이어 깊이 L을 그래프 직경에 비례하도록 설정함으로써, 각 정점이 L‑hop 이웃까지 정보를 통합하도록 설계했다는 것이다.

실험에서는 Erdős–Rényi 무작위 그래프와 플랜트 그래프 두 종류를 사용했으며, 평균 차수 c를 다양하게 조절해 동적 전이점(c_d)과 만족성 전이점(c_s) 근처에서 성능을 평가했다. 결과는 (i) 반복 횟수를 O(N²)로 스케일링했을 때, 학습된 신경망이 동적 전이점에 거의 도달하는 색칠 성공률을 보였으며, (ii) 플랜트 그래프에서는 거의 최적에 가까운 에너지(충돌 수 0)에 수렴했다는 점이다. 또한, 동일한 모델을 N=10³ 규모에서 훈련하고 N=10⁵ 규모의 그래프에 적용했을 때도 충돌 수가 크게 증가하지 않아, 학습된 알고리즘이 구조적 일반화 능력을 갖춤을 확인했다. 비교 대상인 전통적 시뮬레이티드 어닐링과 대비해, 제안 방법은 동일 정확도에서 10배 이상 빠른 실행 시간을 기록했으며, 특히 고연결도 영역에서 어닐링이 급격히 수렴 실패하는 반면, 신경망은 안정적인 수렴을 유지했다.

이 논문의 기여는 세 가지로 요약할 수 있다. 1) 플랜팅 기반 지도학습을 통해 ‘해가 존재하지만 찾기 어려운’ 난이도 구간을 효과적으로 학습 데이터로 활용한 점, 2) 대칭 파괴 정규화와 노이즈‑어닐링을 결합해 물리적 메타안정 상태를 탈피하도록 설계한 점, 3) 작은 규모에서 학습된 모델이 그래프 크기와 연결도에 대해 거의 선형적인 시간 복잡도로 확장되면서도 이론적 임계점에 근접한 성능을 보인 점이다. 이러한 접근은 그래프 색칠뿐 아니라, 클러스터링, 스케줄링, 제약 만족 문제 등 다양한 CSP에 물리‑영감 신경망을 적용하는 새로운 패러다임을 제시한다.