Sharpness-Aware Minimization (SAM)은 머신러닝 (Machine Learning) 모델 학습을 위한 강력하고 널리 채택되는 옵티마이저 (Optimizer)로 자리 잡았습니다. 손실 지형 (Loss landscape)의 날카로움 (Sharpness)을 명시적으로 최소화함으로써, SAM은 강력한 경험적 성능을 제공하는 동시에 일반화 (Generalization) 성능을 종종 향상시킵니다. 그러나 SAM과 그 변형들은 대부분의 학습 알고리즘과 마찬가지로 학습률 (Learning rate) 선택에 민감하며, 이는 일반적으로 광범위한 하이퍼파라미터 튜닝 (Hyperparameter tuning) 또는 사전 정의된 스케줄러 (Schedulers)를 통해 선택됩니다. 본 연구에서는 확률적 경사 하강법 (Stochastic Gradient Descent, SGD)에 대한 확률적 Polyak 스텝 사이즈 (Stochastic Polyak step sizes)의 효과성에 관한 최근의 진전에 착안하여, SAM 방식의 업데이트에 맞춤화된 Polyak 스케줄러를 도출하였으며, 결정론적 (Deterministic) 및 확률적 (Stochastic) 설정 모두에서 새로운 적응형 알고리즘을 제시합니다. 매끄러운 (Smooth) 설정에서, 우리는 결정론적 사례의 강볼록 (Strongly convex) 목적 함수에 대한 선형 수렴 (Linear convergence)과 볼록 (Convex) 목적 함수에 대한 $\mathcal{O}(1/T)$ 수렴 속도를 증명합니다. 확률적 설정에서는 최적점의 근방 (Neighborhood of the optimum)까지 유사한 수렴 보장을 확립합니다. 수치 실험을 통해 제안된 Polyak 스케줄러가 학습률 튜닝의 필요성을 실질적으로 줄이면서도, 세심하게 튜닝된 SAM 베이스라인 (Baselines)과 대등하거나 더 나은 성능을 달성함을 입증합니다.