[충청뉴스 이성현 기자] 국내 연구진이 외부 전문 최적화 프로그램 도움 없이 인공지능(AI) 스스로 산업 현장의 복잡한 제약조건을 100% 만족하는 '실행 가능한 계획'을 세우는 강화학습 기술을 세계 최초로 구현했다.
한국과학기술원(KAIST)은 전산학부 김민수 교수 연구팀이 외부 최적화 프로그램 없이 AI가 스스로 실행 가능한 계획을 만드는 강화학습 기술 'RL-SPH(Reinforcement Learning-based Start Primal Heuristic)'를 개발했다고 3일 밝혔다.
이번 연구는 택배 배송, 공장 생산 일정, 병원 근무표 작성 등 물류·제조·인력 배치가 포함된 정수선형계획법(ILP) 문제에서 AI가 제약조건을 위반하던 한계를 극복하기 위해 추진됐다.
기존 AI 기술(E2EPH)은 일부 해만 예측하고 나머지는 Gurobi나 SCIP 같은 전문 솔버에 의존해야 했다.
반면 연구팀이 개발한 RL-SPH는 외부 솔버와의 의존 관계를 완전히 끊어내고, 비이진 정수형 변수를 포함한 복잡한 문제에서도 100% 실행 가능한 해를 도출하는 성과를 거뒀다.
연구팀은 AI가 가장 좋은 계획을 찾기에 앞서 실행 가능한 계획을 먼저 확보하도록 '실행가능해 탐색' 후 '비용 절감'이라는 2단계 전략을 적용했다.
변수 범위 위반, 제약 위반, 목적함수 개선 순으로 우선순위를 둔 보상 체계를 구축하여 모델이 엉뚱한 방향으로 학습되지 않도록 설계했다.
또 설계한 보상 체계 아래에서 잘 학습된 에이전트가 유한한 탐색 내에 반드시 실행가능해에 도달한다는 사실을 수학적으로 증명했다.
성능 평가 결과 RL-SPH는 최적해와의 차이를 나타내는 프라이멀 갭(Primal Gap)을 평균 28.6배 개선하고 학습 속도를 기존 대비 14.7배(비지도학습 기법 대비 약 34배) 향상시켰다.
지도학습 기반 기술이 인스턴스당 1시간 이상 소요되던 라벨링 과정과 달리, 별도의 라벨 없이 평균 30분 만에 학습을 완료했다.
무작위 초기화 환경에서는 2초 이내에 첫 실행가능해를 찾아 기존 프라이멀 휴리스틱보다 약 180배 빠른 속도를 기록했다.
이번 기술은 국제 최적화 벤치마크(MIPLIB)에서 기존 대비 최대 67배 큰 문제와 미학습 문제에서도 안정적인 성능을 보였다.
김민수 교수는 "현실에서는 가장 좋은 답보다 실제로 실행할 수 있는 계획이 더 중요하다"며 "이번 연구는 전문 최적화 프로그램의 도움 없이 AI가 스스로 실행 가능한 계획을 만들 수 있음을 보여준 성과로, 앞으로 물류와 제조, 반도체 생산, 인력 운영 등 다양한 산업 현장에서 AI 기반 의사결정을 구현하는 핵심 기술이 될 것으로 기대한다"고 설명했다.
이어 "실행가능성에 대한 이번 연구를 디딤돌 삼아 다양한 연구 주제가 발굴될 수 있을 것이라 생각한다"며 "최종적으로는 외부 솔버 없이도 최적해에 가까운 해를 스스로 찾는 완전한 독립형 AI 솔버로 발전시키는 것이 목표"라고 덧붙였다.
