KAIST 전산학부 김민수 교수팀이 외부 솔버 없이 AI가 스스로 제약조건을 지키는 '실행 가능한 계획'을 찾는 강화학습 기법 'RL-SPH'를 개발해 ICML에서 발표했다. 물류 배송·차량 경로·생산 일정 같은 정수선형계획법(ILP) 문제에서 기존 AI는 빠른 경로만 좇다 적재량·근로시간 등 필수 조건을 어기기 일쑤였지만, RL-SPH는 변수-제약조건 관계를 학습한 'ILP-GT' 모델로 계획을 단계적으로 수정·학습한다. 벤치마크 5종에서 100% 실행 가능한 해를 찾았고, 프라이멀 갭은 평균 28.6배, 프라이멀 인테그럴은 2.6배 개선됐으며 첫 실행 가능해 도출 시간도 2.5배 빨라졌다. 학습 시간이 평균 30분으로 기존 대비 14.7배 빨라, 전문 최적화 솔버 없이도 산업 현장의 AI 의사결정을 구현할 수 있는 기반 기술로 주목된다.

• •외부 솔버 없이 제약조건을 만족하는 해를 찾는 강화학습 기법 RL-SPH — ICML 발표
• •벤치마크 5종에서 실행 가능한 계획 100% 도출, 복잡한 문제에서도 성능 유지
• •프라이멘 겝 28.6배, 프라이멘 인테그럴 2.6배 개선 — 첫 가능해 도출 2.5배 단축
• •학습 시간 평균 30분으로 기존 기술 대비 14.7배, 비지도학습 기반 대비 약 34배 빠름
• •PAS·DDIM·DiffILO 등 최신 기법 비교에서도 유일하게 100% 실행 가능해 확보