데이터플로우 그래프 동등성 검증을 위한 그래프‑투‑시퀀스 신경망

본 논문은 데이터플로우 그래프 형태로 표현된 프로그램 간 동등성을 형식적으로 검증하기 위한 새로운 접근법을 제시한다. 기존 연구들은 프로그램 동등성을 확률적 판단에 의존하거나, 복잡한 정리 증명 도구에 의존해 자동화가 어려웠다. 저자들은 두 프로그램이 의미 보존 리라이트 규칙(axioms)의 연속 적용을 통해 구조적으로 동일해질 수 있는지를 판단하는 문제로 재정의하고, 이를 해결하기 위해 그래프‑투‑시퀀스 신경망 모델인 pe‑graph2seq을 설계하였다. **문제 정의 및 프레임워크** 프로그램은 단일 루트와 연산·입력 노드들로 구성된 데이터플로우 그래프로 표현된다. 각 axioms는 특정 서브그래프 패턴을 다른 서브그래프 패턴으로 교체하는 의미 보존 변환이다. 두 그래프 사이에 존재하는 경로는 axioms를 순차적으로 적용한 리라이트 시퀀스로, 이 시퀀스가 존재하면 두 프로그램은 동등하다고 판단한다. 경로 존재 여부를 확인하는 전통적 방법은 탐색 공간이 급격히 폭발하기 때문에 비현실적이다. **그래프‑투‑시퀀스 모델 설계** 입력 그래프는 게이티드 그래프 신경망(Gated GNN)으로 인코딩한다. 노드 특징은 연산 종류, 타입(스칼라·벡터·행렬), 그리고 위치 정보를 포함한다. 인코더는 그래프 전체의 구조적 정보를 압축하고, 전역 어텐션 메커니즘을 통해 디코더가 필요한 노드 정보를 언제든 조회할 수 있게 한다. 디코더는 메모리 기반 LSTM을 사용해 리라이트 규칙과 적용 위치를 토큰 시퀀스로 생성한다. 토큰은 “axiom_id”, “target_node_id”와 같은 형태이며, 시퀀스 종료 토큰이 나오면 리라이트 과정이 종료된다. **자동 데이터 생성** 선형대수 표현 언어를 정의하고, 100 +개의 axioms(예: 1·x = x, x·(y+z) = x·y + x·z, x+y = y+x 등)를 수집하였다. 초기 프로그램을 무작위로 생성한 뒤, axioms를 임의의 확률로 적용해 변형된 프로그램과 적용된 리라이트 경로를 기록한다. 이렇게 생성된 (원본, 변형, 경로) 삼중항을 학습 데이터로 사용한다. 비동등 쌍은 동일한 절차로 생성하되, 경로가 존재하지 않도록 설계한다. **학습 및 추론** OpenNMT‑py 프레임워크 위에 구현했으며, 교차 엔트로피 손실과 teacher‑forcing 기법을 사용해 시퀀스 생성 능력을 학습한다. 추론 시 모델은 두 입력 그래프를 동시에 인코딩하고, 빔 서치를 통해 가장 가능성 높은 10개의 리라이트 시퀀스를 생성한다. 각 시퀀스는 독립적으로 검증된다: 적용 가능한지, 적용 후 그래프가 목표와 동일한지 순차적으로 확인한다. 검증이 성공하면 해당 시퀀스가 형식적 증명으로 반환된다; 모든 후보가 실패하면 “동등성 여부를 확신할 수 없음”이라는 확률적 판단만 남긴다. **실험 결과** 30‑연산 규모의 프로그램 쌍 10,000개를 테스트했으며, 모델은 96 %의 경우 올바른 리라이트 시퀀스를 생성했다. 평균 추론 시간은 16 ms, 검증 시간은 그래프 크기에 비례해 선형이며 실질적으로 무시할 수준이다. 빔 크기 10일 때 95 % 이상의 정확도를 유지했으며, 무작위로 모든 학습된 시퀀스를 출력해 검사하는 경우에도 60 % 이하에 불과함을 보여, 모델이 실제로 의미 있는 경로를 학습했음을 입증한다. **한계와 향후 연구** - 비동등 쌍에 대해 거짓 음성(false negative)이 존재할 수 있다. 이는 axioms 집합이 제한적이거나, 탐색 깊이가 부족할 때 발생한다. - 현재 시스템은 사전에 정의된 axioms에 의존한다. 새로운 연산이나 도메인에 적용하려면 axioms를 추가하고 재학습이 필요하다. - 현재는 선형대수 언어에 초점을 맞췄지만, 일반 프로그래밍 언어나 컴파일러 최적화 단계에도 확장 가능성이 있다. **응용 가능성** 교육용 자동 채점(학생이 제시한 수식과 정답 사이의 변환 증명), 고성능 수치 라이브러리 매칭(예: BLAS 호출 자동 교체), 컴파일러 최적화 검증, 그리고 형식 검증이 요구되는 임베디드 시스템 코드 변환 등에 활용될 수 있다. 특히, 증명 가능한 리라이트 시퀀스를 제공함으로써 기존 머신러닝 기반 도구가 갖는 불확실성을 제거하고, 실시간 시스템에 안전하게 통합할 수 있다. **결론** pe‑graph2seq은 그래프‑투‑시퀀스 학습을 통해 프로그램 동등성 문제를 탐색적이면서도 형식적으로 검증 가능한 방식으로 해결한다. 96 % 이상의 성공률과 실시간 추론·검증 속도는 이 접근법이 실용적인 도메인에 적용될 수 있음을 보여준다. 향후 더 풍부한 axioms와 다양한 언어에 대한 확장을 통해, 자동 프로그램 변환 및 검증 분야에 새로운 패러다임을 제시할 것으로 기대된다.