기호적 탐색 알고리즘의 완전성을 유지하면서 딥러닝의 학습 능력을 결합한 새로운 제약 만족 문제(CSP) 풀이 기법 ‘DiBS(Diffusion-Informed Branch Selection)’가 arXiv에 공개됐다. 연구진은 수독(Sudoku)처럼 이산 제약 하에서 전역적인 구조적 추론을 요구하는 문제를 대상으로 이 접근법을 제안했다. 기존 학습 기반 풀이기는 정확성을 보장하기 어렵고, 전통적인 기호 풀이기는 어려운 인스턴스에서 긴 탐색 꼬리 현상이 나타난다는 상호 보완적 한계를 지니고 있었다.
DiBS의 핵심은 확산 모델(diffusion model)을 분기 순서 안내자로 활용하는 데 있다. 탐색 과정에서 현재의 부분 할당 상태와 경량 일관성 신호를 입력받아 다음에 시도할 후보 값들의 우선순위를 결정한다. 기호적 풀이기 자체는 변경하지 않으므로 완전성(completeness) 보장이 그대로 유지되는 반면, 잘못된 분기를 일찍 가지치기함으로써 전체 탐색 공간을 효율적으로 줄인다. 이는 확산 모델이 생성 모델로서 보유한 확률적 추론 능력을 탐색 지도(heuristic guidance)에 전용하는 새로운 활용 방식이다.
로일 17-단서 수독 벤치마크(Royle 17-clue Sudoku benchmark)를 통한 실험에서 DiBS는 강한 휴리스틱 기준선 대비 탐색 노드 수, 백트래킹 횟수, 장기 백분위수 모두에서 탐색 비용을 유의미하게 낮췄다. 특히 분기 선택 오류의 파급 효과가 큰 어려운 인스턴스일수록 학습 기반 안내의 효과가 두드러졌다. 확산 모델의 적용 범위를 생성 과제 밖으로 확장하고, 신경망과 기호 추론의 결합 가능성을 구체적으로 제시했다는 점에서 계획·스케줄링·검증 등 다양한 CSP 분야로의 응용이 기대된다.
