이 연구는 거의 완벽한 휴리스틱을 쓰더라도 지수적으로 많은 상태를 저장해야 하는 휴리스틱 탐색의 한계를 극복하기 위해, 레지스터와 모드로 규칙을 순서화하는 '인덱시컬 정책' 형태의 탐색 제어를 도메인별로 학습하는 방법을 제안한다. 객체를 레지스터에 로드하고 백트래킹 지점을 표시하는 choose 규칙을 도입해, 다른 모든 규칙은 탐색 없이 모든 결과에 대해 작동하도록 설계했다. 핵심 결과는 무한 실행을 배제하는 구조적 종료성이 실행 길이를 객체 수에 대한 다항식으로 제한한다는 것으로, 깊이우선 절차가 방문 상태 목록 없이도 다항 공간 안에서 계획을 찾을 수 있게 한다. 언어모델로 이러한 정책을 반증 예시 기반 루프로 학습시킨 결과, IPC 2023 학습 트랙 등 1,890개 테스트 과제 중 1,709개를 풀어 LAMA, BFWS, Levitron을 능가했고 대부분 1초, 100MiB 이내에 해결했다.

• •레지스터·모드 기반 '인덱시컬 정책'으로 탐색 제어를 도메인별로 학습해 다항 공간 내 계획 탐색을 실현
• •구조적 종료성이 실행 길이를 객체 수에 대한 다항식으로 제한함을 증명
• •반증 예시 기반 루프로 언어모델을 이용해 종료성과 선택 깊이를 제어하며 정책 학습
• •1,890개 테스트 과제 중 1,709개 해결, LAMA·BFWS·Levitron 능가, 대부분 1초·100MiB 이내