KAIST-몬트리올대, 초고성능 AI 확산모델 기술 공동 개발
| | | | | |

KAIST-몬트리올대, 초고성능 AI 확산모델 기술 공동 개발

미로찾기 100% 성공·최대 100배 추론 속도 개선… ICML 2025 스포트라이트 선정

KAIST 전산학부 안성진 교수 연구팀이 세계적 AI 석학 요슈아 벤지오(Yoshua Bengio) 교수(캐나다 몬트리올대학교)와 공동으로, 인공지능 확산모델의 추론 효율성과 속도를 획기적으로 향상시키는 신기술을 개발했다.

이번 기술은 AI 모델이 추론 단계에서 사용 가능한 계산 자원량에 따라 성능을 유연하게 조절할 수 있는 ‘추론-시간 확장성(inference-time scalability)’ 문제를 해결한 점에서 주목받는다. 연구진은 기존 확산모델이 실패했던 초대형 미로찾기 태스크에서 100% 성공률을 기록했고, 병렬 트리 탐색 기법을 통해 기존 대비 최대 100배 빠른 추론 속도도 실현했다.

핵심 기술은 ‘몬테카를로 트리 탐색(MCTS)’ 기반 확산 모델 추론 알고리즘으로, 생성 과정 중 다양한 경로를 트리 형태로 탐색해 제한된 연산 자원으로도 고품질 출력을 도출할 수 있도록 설계됐다. 후속 연구에서는 이 트리 탐색을효율적으로 병렬화해 추론 속도를 대폭 끌어올렸다.

연구 성과는 딥러닝 분야 최고 권위 학회인 ICML 2025(제42회 국제기계학습학회)에서 발표됐으며, 전체 채택 논문 중 상위 2.6%에 해당하는 스포트라이트(Spotlight) 논문으로 선정됐다.

안성진 교수는 “이번 연구는 기존 확산모델의 고비용 추론 한계를 근본적으로 해결한 기술로, 지능형 로봇, 실시간 생성 AI, 시뮬레이션 기반 의사결정 등 다양한 분야에 핵심적으로 활용될 수 있을 것”이라고 말했다.

한편, 이번 연구는 한국연구재단(NRF)의 지원을 받았으며, KAIST-MILA 프리프론탈 AI 공동연구센터를 통해 수행됐다.

※ 논문제목: Monte Carlo Tree Diffusion for System 2 Planning (Jaesik Yoon, Hyeonseo Cho, Doojin Baek, Yoshua Bengio, Sungjin Ahn, ICML 25), Fast Monte Carlo Tree Diffusion: 100x Speedup via Parallel Sparse Planning (Jaesik Yoon, Hyeonseo Cho, Yoshua Bengio, Sungjin Ahn)

※ DOI: https://doi.org/10.48550/arXiv.2502.07202,

https://doi.org/10.48550/arXiv.2506.09498

한편, 이번 연구는 한국연구재단의 지원을 받았다.

사이언스모니터 뉴스레터
AI·양자·R&D 핵심 해설을 주 2회(화·금) 이메일로 받아 보세요.

Similar Posts