[학회 후기]


무엇이든 처음은 설레는 법이다. 이번 5월 2일 ~ 4일, 여수에서 열린 2024년 춘계공동학술대회(한국경영과학회, 대한산업공학회, 한국시뮬레이션학회 공동 주최)가 나에게 그러했다. 사전등록 확인 데스크에서 명찰과 식권을 받고, 첫 세션을 들으러 가는 길에도 내가 학회에 참여하고 있다는 사실이 실감나지 않았다. 예상보다도 훨씬, 훨씬 많았던 북적이는 사람들이 기억에 남는다.


세션 청취에 있어, 두려워하지 말고 최대한 다양한 발표를 듣고 오는 것을 목표삼았다. 진수선배와 성수가 참여한 반도체 AI 관련 발표와 최적화와 관련 발표, 양자컴퓨팅, 거대언어모델 등 다양한 주제의 발표를 들었다. 그 과정에서, 산업공학 연구자들이 해결하고자 하는 문제들은 그 범위가 매우 넓으며, 문제 해결을 위해 정말정말 다양한 접근 방식이 사용되고있음을 체감했다. 가령, 크게 '반도체 생산성 향상'이라는 주제라도, 문제를 어떻게 정의하는지에 따라 우리 연구실에서 발표한 내용처럼 이미지 계열 인공지능을 활용할 수도 있고, 최적화 휴리스틱 알고리즘, 또는 강화학습을 활용할 수 있다. 산업공학 연구자들이 문제를 다양하게 정의하고 접근하는 방식, 그리고 문제 해결을 위한 그들의 치열한 고민의 흔적을 살펴보고, 그 고민을 함께할 수 있는 매우 유의미한 시간이었다.


세션 발표 외에도, 다른 연구자들과 의견을 교류할 수 있는 자투리 시간들도 매우 의미있는 시간이었다. 서로 다른 연구분야를 연구하는 친구들과 선후배들, 또는 우리 학교 다른 연구실 연구원분들과 다양한 연구분야의 시선으로 공통된 문제를 바라보며 하는 토의는 매우 생산적이었다. 약 2~30분의 쉬는시간은 짧게만 느껴졌다.


이번 산업공학회는 다양한 연구 분야와 접근 방식을 살펴보면서 시야를 넓히고, 내 개인 연구에 대한 아이디어도 풍성하게 얻을 수 있는 좋은 시간이었다. 다만 아쉬운 점은 그 기간이 너무 짧았다는 것이다. 앞으로도 좋은 연구를 많이 해서 학회에 자주 참석하겠다는 결의를 다지며 용산행 KTX에 몸을 실었다.


[발표 후기]

이번 산업공학회에서 '자가지도학습 방법론을 통한 조합최적화'라는 주제로 발표를 진행했다. 조합최적화 문제는 NP-Hard 문제로, 다항(Polynomial) 시간 내에 최적해를 얻는 것이 불가능하다고 알려져있다. 이에 조합최적화 문제에 접근하기 위한 다양한 heuristic이 연구되고 있으며, 머신러닝을 통한 접근 방법도 최근 활발하게 연구되고 있는 heuristic 분야 중 하나이다. 머신러닝 기반 heuristic은 보통 지도학습과 강화학습을 기반으로 진행된다. 이 때 그래프 기반 인공신경망을 활용한 자가지도학습으로 모델이 조합최적화 문제를 표현하는 그래프에 대한 representation을 효과적으로 추출할 수 있도록 한다면, 이를 통해 도출된 해의 품질을 향상할 수 있다는 것이 주된 연구의 내용이다. 또 실험 결과로, 그래프 기반 자가지도학습을 도입하였을 때 도출된 해의 품질이 향상될 여지가 충분함을 확인할 수 있었다.

질문 1) 그래프 인공신경망에 노드 정보를 입력할 때 단순 좌표 정보 외의 다른 정보를 입력하면 도움이 되지 않을까요?

답변 1) 본 발표에서 다룬 TSP 문제의 경우, 노드 간의 관계가 두 좌표를 활용해 계산된 Euclidean distance이기 때문에 그래프 인공신경망의 연산 과정에서 해당 정보가 직접 반영될 수 있다고 판단하였습니다. 단, TSP가 아닌 CVRP 등 거리 정보 외의 다른 정보를 갖고 있는 문제의 경우 직접 해당 정보를 노드  정보로 입력해주는 것이 타당하며, 더 좋은 결과에 기여할 것으로 판단합니다.


[청취 후기]

계층적 차량 경로 선정 문제를 위한 목적함수값 예측 인공신경망 및 유전 알고리즘

CVRP로 대표되는 경로 최적화 문제는 NP-Hard 문제이며, 이를 해결하기 위해 다양한 알고리즘이 개발되고 있으나 그 개발은 까다롭고 복잡하다. 해당 연구에서는 경로 최적화 문제를 실제로 해결하지 않고, 인공신경망을 활용하여 문제 instance의 목적함수 값을 예측하는 것이 제안 방법론의 핵심 내용이다. 해당 연구에서는 제안 방법론을 통해 경로 최적화 문제 중 MDVRP 문제와 CLRP 문제에 대해서 높은 품질의 솔루션을 효과적으로 도출할 수 있음을 실험을 통해 확인하였다. 

먼저 목적함수 값을 예측하는 학습을 통해 최적화 문제를 해결한다는 접근이 상당히 흥미로웠다. 또, 유전 알고리즘의 경우 최적화 연구분야 뿐만 아니라 산업공학회에서 접할 수 있었던 여러 연구분야에서 활발하게 사용되고 있는 알고리즘이었다. 이를 제안하는 핵심 방법과 결합하는 방법이 상당히 인상깊었다.