열거된 솔루션을 통한 CNN 패턴 인식을 활용한 효율적인 제약 추론

요약

본 연구는 제약 프로그래밍(Constraint Programming)의 효율성을 높이기 위해 CNN과 LLM을 결합한 새로운 스트림라이너(Streamliner) 합성 방식을 제안합니다. CNN을 통해 솔루션의 구조적 패턴을 대조 학습하여 탐지하고, 이를 LLM의 프롬프트로 활용함으로써 기존의 텍스트 기반 방식보다 정교한 MiniZinc 스트림라이너를 생성합니다. 실험 결과, Vessel Loading 및 Social Golfers 등 주요 벤치마크에서 수백 배 이상의 획기적인 속도 향상을 달성했습니다.

핵심 포인트

• CNN을 활용하여 솔루션의 구조적 패턴을 학습하고 섭동된 비솔루션과 대조하는 새로운 접근법 제안
• CNN의 판별 신호를 LLM에 전달하여 모델 텍스트뿐만 아니라 구조적 특징에 기반한 제약 생성 가능
• Vessel Loading에서 932배, Black Hole에서 1103배의 기하 평균 속도 향상 달성
• 클래스 기반 패킹 제약 및 레이아웃 좌표 경계 등 고도화된 스트림라이너 자동 합성 성공