맞물림 조립품 (interlocking assembly)은 접착제나 못과 같은 외부 연결 장치에 의존하지 않고, 오로지 구성 부품들의 기하학적 배치만을 통해 연결되는 조립품을 의미합니다. 이러한 조립품은 구조적 안정성 덕분에 다양한 실제 응용 분야에서 널리 사용되어 왔습니다. 맞물림 조립품을 생성하는 문제는 일반적으로 복셀 그리드 (voxel grid)로 표현된 대상 3D 객체를 규정된 수의 맞물리는 조각들로 분할하는 형상 분해 (shape decomposition) 문제로 정식화됩니다. 우리는 맞물림 조립품을 생성하는 것이 본질적으로 에이전트가 각 복셀을 어떤 조각에 할당할지를 반복적으로 결정하는 순차적 의사결정 (sequential decision-making) 문제임을 관찰했습니다. 이러한 관찰에 영감을 받아, 우리는 기존 연구들이 사용했던 수작업 기반의 탐색 휴리스틱 (handcrafted search heuristics)에 의존하지 않고 맞물림 조립품을 생성하기 위한 최초의 강화학습 (reinforcement learning) 프레임워크인 RL-Lock을 제안합니다. RL-Lock은 구조화된 액션 청킹 (structured action chunking)과 MCTS (Monte Carlo Tree Search) 가이드 정책-가치 학습 (policy-value learning)을 결합하여, 맞물림 조립품 생성을 위한 거대한 조합론적 탐색 공간 (combinatorial search space)을 효율적으로 탐색합니다. 우리는 실험을 통해 RL-Lock이 맞물림 조립품의 효과적인 생성을 가능하게 하며, 특히 기존 방식들이 너무 오래 걸리거나 유효한 솔루션을 찾는 데 실패하는 까다로운 사례에서도 뛰어난 성능을 보임을 입증합니다.