몬테카를로 트리 확산(MCTD): 시스템 2 계획을 위한 새로운 지평

윤재식, 조현서, 백두진, 요슈아 벤지오, 안성진 박사 연구팀이 개발한 몬테카를로 트리 확산(MCTD)은 확산 모델과 MCTS의 장점을 결합하여 장기 계획 문제 해결에 획기적인 성능 향상을 보였습니다. TTC 확장성 문제를 해결하고, 복잡한 문제에서 고품질 솔루션을 제공하는 MCTD는 인공지능 분야의 혁신을 이끌 것으로 기대됩니다.

최근 확산 모델은 강력한 계획 도구로 떠올랐습니다. 하지만 기존의 확산 모델 기반 계획 시스템은 Monte Carlo Tree Search (MCTS)와 달리, 테스트 시간 계산(TTC)을 늘려 성능을 향상시키는 데 한계가 있었습니다. 윤재식, 조현서, 백두진, 요슈아 벤지오, 안성진 박사가 주도한 연구팀은 이러한 한계를 극복하기 위해 몬테카를로 트리 확산(MCTD) 이라는 혁신적인 프레임워크를 제시했습니다.

MCTD는 확산 모델의 생성 능력과 MCTS의 적응적 탐색 기능을 결합합니다. 핵심 아이디어는 잡음 제거 과정을 트리 구조로 재구성하여 부분적으로 잡음이 제거된 계획을 반복적으로 평가하고, 가지치기하고, 개선하는 것입니다. 유망한 경로를 선택적으로 확장하면서 동시에 최적이 아닌 가지를 재방문하고 개선할 수 있는 유연성을 유지함으로써, MCTD는 확산 모델 프레임워크 내에서 탐색-활용의 절충을 제어하는 MCTS의 장점을 모두 활용합니다.

연구팀은 여러 까다로운 장기 계획 과제에서 MCTD가 기존 확산 모델 기반 방법들을 능가하여 TTC 증가에 따라 더욱 고품질의 솔루션을 제공함을 실험적으로 입증했습니다. 이는 복잡한 의사결정 문제 해결에 새로운 가능성을 열어주는 획기적인 결과입니다.

핵심 내용을 간략히 정리하면 다음과 같습니다.

• 문제: 기존 확산 모델 기반 계획 시스템의 TTC 확장성 부족
• 해결책: MCTS와 확산 모델을 통합한 MCTD 프레임워크 제시
• 방법: 잡음 제거 과정을 트리 구조로 재구성, 부분적으로 잡음이 제거된 계획을 반복적으로 평가, 가지치기, 개선
• 결과: 까다로운 장기 계획 과제에서 기존 방법 대비 우수한 성능 입증, TTC 증가에 따라 고품질 솔루션 제공

이 연구는 인공지능 분야, 특히 계획 및 의사결정 분야의 발전에 크게 기여할 것으로 기대됩니다. MCTD는 향후 자율 주행, 로보틱스, 게임 AI 등 다양한 분야에 적용될 가능성이 높으며, 더욱 복잡하고 장기적인 계획 문제를 해결하는 데 중요한 역할을 할 것으로 예상됩니다.