AI 확산모델 신기술 나와…실시간 의사결정 모델에 적용

[아이뉴스24 정종오 기자] 확산모델(diffusion model)은 많은 인공지능(AI) 응용에 활용되고 있는데 효율적 추론-시간 확장성(inference-time scalability)에 대한 연구가 부족했다.

국내 연구팀이 확산모델에서도 고성능 고효율 추론이 가능한 신기술을 개발했다. 이 기술은 기존 모델이 성공하지 못한 초대형 미로찾기 태스크에서 100%의 성공률을 기록하며 성능을 입증했다.

이번 성과는 앞으로 지능형 로봇, 실시간 생성 AI 등 실시간 의사결정이 요구되는 다양한 분야에서 핵심 기술로 활용될 수 있을 것으로 기대된다.

추론-시간 확장성(inference-time scalability)이란 AI 모델이 추론 단계에서 사용할 수 있는 계산 자원의 양에 따라 성능을 유연하게 조절할 수 있는 능력을 의미한다.

한국과학기술원(KAIST, 총장 이광형)은 전산학부 안성진 교수 연구팀이 딥러닝 분야 세계적 석학인 몬트리올대 요슈아 벤지오(Yoshua Bengio) 교수와 공동연구를 통해 AI 확산 모델의 추론-시간 확장성을 크게 개선하는 신기술을 개발했다고 20일 발표했다.

이번 기술은 AI의 학습 이후 추론 단계에서 더 많은 계산 자원을 효율적으로 활용함으로써 단순히 데이터나 모델 크기를 키우는 것으로는 해결할 수 없는 고난도 문제를 풀 수 있도록 돕는 핵심 AI 기술로 주목받고 있다.

현재 다양한 응용 분야에서 활용되고 있는 확산 모델에서는 이러한 스케일링을 효과적으로 구현하는 방법론이 부족하다는 한계가 있었다.

안 교수 연구팀은 벤지오 교수와 협력해, 몬테카를로 트리 탐색(Monte Carlo Tree Search) 기반 새로운 확산 모델 추론 기법을 제안했다.

이 방법은 확산 과정 중 다양한 생성 경로를 트리 구조로 탐색하며, 제한된 계산 자원으로도 높은 품질의 출력을 효율적으로 찾아낼 수 있도록 설계됐다. 이를 통해 기존 방법이 0%의 성공률을 보이던 ‘자이언트-스케일의 미로 찾기’ 태스크에서 100%의 성공률을 달성했다.

후속 연구에서는 제안한 방법론의 주요 단점인 느린 속도 문제를 대폭 개선하는 방법을 개발하는 데 성공했다. 트리 탐색을 효율적으로 병렬화해 비용을 최적화했다.

이전 방식과 비교했을 때 최대 100배 빠른 속도로도 동등하거나 더 우수한 품질의 결과를 얻는 데 성공했다. 이는 제안한 방법론의 추론 능력과 실시간 적용 가능성을 동시에 확보했다는 점에서 큰 의미가 있다.

안성진 교수는 “이번 연구는 고비용 계산이 요구되던 기존 확산 모델의 한계를 근본적으로 극복한 기술”이라며 “지능형 로봇, 시뮬레이션 기반 의사결정, 실시간 생성 AI 등 다양한 분야에서 핵심 기술로 활용될 수 있을 것”이라고 말했다.

연구 결과(논문명: Monte Carlo Tree Diffusion for System 2 Planning)는 전산학부 윤재식 박사과정이 제 1저자로 지난 13일부터 19일까지 캐나다 벤쿠버에서 열린 제42회 국제기계학습학회(ICML 2025)에서 스포트라이트(Spotlight) 논문(전체 채택 논문 중 상위 2.6%)으로 발표됐다.