메모리 제한 환경에서 GRAVE 알고리즘의 효율적 확장

논문은 Generalized Rapid Action Value Estimation(GRAVE)이 General Game Playing(GGP) 분야에서 높은 성능을 보이지만, 각 노드에 승·방문 통계라는 추가 정보를 저장해야 하는 구조적 한계 때문에 메모리 사용량이 급증한다는 문제점을 지적한다. 이러한 메모리 부담은 특히 수백만 개의 노드가 생성되는 복잡한 게임이나, 메모리 자원이 제한된 모바일·임베디드 환경에서 실용성을 크게 저해한다. 이를 해결하고자 저자들은 세 가지 알고리즘 변형을 제안한다. 첫 번째 변형인 GRAVE2는 두 단계 탐색 방식을 채택한다. 루트에서부터 일정 깊이(depth = d)까지는 기존 GRAVE와 동일하게 승·방문 통계를 유지하면서 탐색을 진행하고, 그 이하 깊이에서는 통계 없이 순수 UCT(Upper Confidence bounds applied to Trees) 탐색만 수행한다. 이 접근법은 깊은 하위 트리에서 발생하는 불필요한 메모리 할당을 방지하고, 탐색 효율성을 크게 저해하지 않으면서도 메모리 사용량을 크게 감소시킨다. 두 번째 변형인 GRAVER는 노드 재활용 메커니즘을 도입한다. 탐색 과정에서 사용되지 않은 오래된 노드를 식별하고, 새로운 게임 상태가 등장하면 해당 노드를 재사용한다. 재활용 정책으로는 가장 오래된(LRU) 혹은 가장 적게 사용된(LFU) 노드를 선택하는 방식을 실험했으며, 통계 정보는 폐기하거나 가중 평균 방식으로 보존해 메모리 오버헤드를 최소화한다. 세 번째 변형인 GRAVER2는 앞선 두 기법을 결합한다. 두 단계 탐색으로 깊은 트리의 노드 생성을 억제하고, 동시에 재활용을 통해 남은 메모리를 효율적으로 활용한다. 실험 설정은 다양한 GGP 도메인(체스, 바둑, 리버시, 아즈와 같은 복합 게임)과 여러 메모리 제한 시나리오(500 MB, 200 MB, 100 MB)에서 진행되었다. 결과는 다음과 같다. (1) GRAVE2는 평균 45 %의 메모리 절감 효과를 보였으며, 승률 차이는 0.5 % 이하로 기존 GRAVE와 거의 동일했다. (2) GRAVER는 메모리 사용량을 60 % 이상 감소시켰고, 재활용 정책에 따라 승률 손실이 1 % 미만으로 제한되었다. (3) GRAVER2는 가장 뛰어난 성능을 나타내어, 200 MB 이하의 메모리 환경에서도 기존 GRAVE와 통계적으로 유의미한 차이가 없는 승률을 기록했다. 특히 모바일 디바이스(안드로이드 스마트폰)에서 실시간 플레이 테스트를 수행했을 때, 프레임당 연산 시간은 15 ms 이하로 유지되었으며, 메모리 사용량은 120 MB 수준에 머물렀다. 논문은 또한 두 단계 탐색 깊이(d)와 재활용 정책 파라미터가 성능에 미치는 영향을 정량적으로 분석하였다. 깊이 d를 3~5 사이로 설정하면 메모리 절감과 승률 유지 사이의 최적 균형을 찾을 수 있었으며, LRU 정책이 대부분의 경우에서 가장 안정적인 결과를 제공했다. 마지막으로, 저자들은 제안된 알고리즘이 메모리 제한이 심한 환경에서도 강력한 게임 AI를 구현할 수 있음을 강조하며, 향후 연구 방향으로는 동적 파라미터 조정, 분산 환경에서의 노드 재활용, 그리고 다른 MCTS 변형(예: PUCT, AlphaZero 스타일)과의 통합 가능성을 제시한다.