KAIST 전산학부 김민수 교수 연구팀이 전문 최적화 솔버 없이 AI가 스스로 실행 가능한 계획을 만들어내는 강화학습 기법 'RL-SPH'를 개발했다. 사람이 계획을 단계적으로 수정하듯 변수를 하나씩 바꿔가며 모든 제약조건을 만족하는 해를 먼저 찾고 이후 비용을 줄이는 2단계 탐색 전략을 적용해, 5종 벤치마크 전부에서 100% 실행가능해를 도출했으며 기존 기법 대비 프라이멀 갭을 평균 28.6배, 탐색 속도를 14.7배 개선했다. MIPLIB 벤치마크에서는 기존보다 최대 67배 큰 문제도 안정적으로 풀어내 범용성을 입증했으며, 이 연구는 ICML 2026에서 발표됐다. 물류·제조·반도체 생산·인력 운영 등 실제 산업 현장에 AI 기반 의사결정을 적용할 핵심 기술이 될 것으로 기대된다.

• •RL-SPH는 외부 솔버(Gurobi, SCIP) 없이 AI 스스로 제약조건을 만족하는 실행가능해를 찾는 강화학습 기법
• •5종 벤치마크 전부에서 100% 실행가능해 도출, 최적해와의 차이(프라이멀 갭) 평균 28.6배 개선
• •학습 시간 평균 30분으로 기존 대비 14.7배, 비지도학습 기반 최신 기술 대비 약 34배 단축
• •MIPLIB에서 기존보다 최대 67배 큰 문제와 미학습 신규 유형 문제도 안정적으로 해결
• •이태훈 박사과정 제1저자, 김민수 교수 교신저자로 ICML 2026(서울 코엑스)에서 발표