Animation, Verification and Visualisation of Prolog Transition Systems with ProB

당신이 마치 범죄 현장이 아닌, 버그를 숨기고 있을지도 모르는 코드 조각을 쫓는 탐정이 되어 문제를 해결하고 있다고 상상해 보십시오. 컴퓨터 과학의 세계에서 이것은 **형식 검증(formal verification)**이라고 불립니다. 이는 프로그램이 어떻게 동작해야 하는지에 대한 완벽한 수학적 지도를 구축한 다음, 프로그램이 길을 잃거나 충돌하지 않도록 모든 단계를 확인하는 것과 같습니다. 보통 이 과정은 전문가들만이 읽을 수 있는 복잡한 수학을 포함합니다. 하지만 만약 이 건조한 수학을 살아 움직이는 비디오 게임으로 바꿀 수 있다면 어떨까요? 그것이 바로 Prolog라는 프로그래밍 언지의 마법입니다. Prolog는 표준적인 명령어가 아니라 논리 퍼즐처럼 생각하는 언어입니다. Prolog를 PROB라는 도구와 결합하면, "모델 체커(model checker)"라는 초지능 로봇이 탄생합니다. 이 로봇은 당신의 논리 퍼즐이 전개되는 과정을 지켜보고, 실수를 찾아내며, 심지어 사건이 어디서 잘못되었는지 정확히 알 수 있도록 이야기를 한 수씩 단계별로 짚어볼 수 있게 해줍니다.

이 논문은 이 로봇에게 대대적인 업그레이드를 제공하는 것에 관한 것입니다. 저자들인 하인리히 하이네 뒤셀도르프 대학교(Heinrich Heine University Düsseldorf) 팀은 이미 Prolog를 구사할 줄 아는 기존 도구인 PROB에 완전히 새로운 일련의 초능력을 추가했습니다. 이것은 마치 흑백 스케치북을 고화질의 인터랙티브 영화 스튜디오로 바꾸는 것과 같습니다. 그들은 시각화를 훨씬 쉽게 만들었고, 전략을 테스트하기 위해 몇 초 만에 수천 개의 게임을 시뮬레이션하는 방법을 추가했으며, 심지어 동작을 일시 정지하고 컴퓨터에 특정 지침을 내린 뒤 컴퓨터가 어떻게 반응하는지 관찰할 수 있는 시스템을 만들었습니다. 그들은 이 새로운 기능들을 테스트하기 위해 클래식 게임인 **커넥트 포(Connect Four)**를 논리 퍼즐로 변환하여, 서로 다른 컴퓨터 "두뇌"들을 맞붙여 누가 승리하는지 확인했습니다. 그 결과, 복잡한 컴퓨터 논리를 점검하는 일을 숙제가 아닌 게임을 하는 것처럼 느껴지게 만드는 툴킷이 탄생했습니다.

"살아있는" 논리 지도의 마법

그 핵심에는 Prolog( "만약 ~라면, ~한다"라는 목록처럼 보이는 언어)로 작성된 규칙 세트를 **전이 시스템(transition system)**으로 변환하는 방법이 기술되어 있습니다. 모든 칸이 "상태"(예: "보행자 신호등이 빨간불임")이고 모든 움직임이 "전이"(예: "초록불로 전환됨")인 보드게임을 상상해 보십시오. 과거의 PROB는 이러한 규칙들을 불러와서 버튼을 클릭해 다음 칸으로 이동하며 경로를 보여줄 수 있었습니다. 하지만 다소 투박했습니다.

저자들은 이 경험을 상당히 다듬었습니다. 첫째, 시각적 요소를 훨씬 개선했습니다. 이전에는 단순히 "상태: 빨간색"이라는 텍스트 목록만 보였을 수도 있습니다. 이제는 실제 그림을 그릴 수 있는 도구들을 통합했습니다. 만약 교통 신호를 모델링하고 있다면, 도구는 이제 화면에 실제로 빛나는 빨간 원을 보여줄 수 있습니다. 체스 게임을 모델링하고 있다면, 체스판과 그 위의 기물들을 정확한 위치에 표시할 수 있습니다. 더욱 멋진 점은 인터랙티브 시각화 기능을 추가했다는 것입니다. 그림 속의 기물을 우클릭하면 실제 비디오 게임처럼 당신이 할 수 있는 모든 합법적인 움직임을 보여줍니다. 또한 이러한 시각적 이야기들을 HTML 파일로 내보낼 수 있는 기능을 만들어, 특수한 소프트웨어가 설치되어 있지 않더라도 누구나 당신의 논리 퍼즐 "영화"를 공유할 수 있게 했습니다.

"일시 정지 및 요청" 기능

가장 흥elle적인 새로운 기술 중 하나는 **심볼릭 전이(symbolic transitions)**라고 불리는 것입니다. 당신이 컴퓨터와 게임을 하고 있는데, 컴퓨터가 당신이 다음에 어떤 움직임을 원하는지 몰라서 막히는 상황을 상상해 보십시오. 과거에는 컴퓨터가 그냥 추측하거나 멈췄을 것입니다. 이제 도구는 "잠깐, 이 부분은 인간의 결정이 필요해!"라고 말하며 멈출 수 있습니다. 컴퓨터는 당신이 특정 값(예: "나이트를 F3로 이동")을 입력하기를 기다렸다가 이야기를 계속합니다. 이는 수학적 정리를 증명하는 것과 같이, 컴퓨터가 스스로 예측할 수 없는 선택을 인간이 해야 하는 복잡한 논리를 테스트할 때 매우 중요합니다.

또한 트레이스 리플레이(trace replay) 기능을 개선했습니다. 이것을 "게임 저장" 기능이라고 생각하십시오. 만약 당신이 문제를 해결하는 완벽한 움직임의 순서를 찾아냈다면, 그것을 저장할 수 있습니다. 나중에 그 저장 파일을 불러오면, 도구가 똑같은 움직임을 단계별로 다시 재생합니다. 이는 오늘 버그를 수정했을 때 내일 실수로 다시 망가뜨리지 않았는지 확인하는 데 매우 중요합니다. 새 버전은 어떤 상태에 있었는지를 정확히 기억하는 스마트한 형식(JSON)으로 리플레이를 저장하므로, 리플레이가 매번 완벽하게 수행됩니다.

"백만 게임" 시뮬레이터

아마도 가장 강력한 추가 기능은 **몬테카를로 시뮬레이션(Monte Carlo simulations)**을 실행할 수 있는 능력일 것입니다. 이것은 "결과가 어떻게 되는지 보기 위해 게임을 백만 번 플레이해 보자"라고 말하는 세련된 방식입니다. 저자들은 PROB를 SIMB라는 시뮬레이터에 연결했습니다. 단 하나의 게임을 지켜보는 대신, 컴퓨터에게 커넥트 포를 연속으로 10,000번 플레이하도록 하여 서로 다른 전략들이 맞붙게 할 수 있습니다.

그들은 이를 통해 커넥트 포의 세 가지 서로 다른 "두뇌"를 테스트했습니다:

1. Random (무작위): 생각 없이 그냥 움직임을 선택하는 플레이어.
2. Minimax (미니맥스): 최선의 경로를 찾기 위해 몇 수 앞을 내다보는 고전적인 AI.
3. MCTS (몬테카를로 트리 탐색): 결정을 내리기 위해 많은 가능한 미래를 시뮬레이션하는 더 똑똑한 AI.

결과는 매우 흥-미로웠습니다. Random 플레이어가 Minimax와 싸울 때, Random 플레이어가 먼저 시작하면 약 **55.7%**의 확률로 승리했지만, Minimax가 먼저 시작하면 그 수치는 **7.3%**로 떨어졌습니다. 그러나 Minimax가 MCTS와 싸울 때는 MCTS 플레이어가 약 **99%**의 게임을 이기며 압도했습니다. 저자들은 그들의 Minimax 플레이어가 단 두 수 앞만 내다보는 얕은 탐색을 했기 때문에 다소 약했다는 점을 언급했는데, 이것이 왜 MCTS에게 그렇게 처참하게 패배했는지를 설명해 줍니다.

그들은 게임이 얼마나 걸리는지도 측정했습니다. Random과 Minimax 플레이어는 빨랐으며, 10,000번의 게임을 20분 이내에 마쳤습니다. 하지만 MCTS 플레이어는 많은 생각을 해야 했기 때문에 동일한 횟수의 게임을 실행하는 데 몇 시간이 걸려 다소 느렸습니다. 흥미롭게도, MCTS 플레이어는 Random 플레이어를 이기기 위해 평균 9.7수가 필요했던 반면, Minimax는 18.0수가 필요했습니다.

이것이 왜 중요한가

이것은 단순히 게임을 하는 것에 관한 것이 아닙니다. 저자들은 이 도구들이 교육에 완벽하다는 것을 보여줍니다. 코드를 작성하는 법을 배우는 학생을 상상해 보십시오. 단순히 텍스트 화면을 응시하는 대신, 자신의 코드가 시각적 애니메이션으로 살아 움직이는 것을 볼 수 있습니다. 만약 실수를 한다면, "교통 신호등"이 빨간색으로 변하거나 "체스 기물"이 사라지는 것을 보게 되어 무엇이 잘못되었는지 훨씬 쉽게 이해할 수 있습니다.

또한 이 논문은 이 시스템이 **인터프리터(interpreters)**를 구축하는 데도 훌륭하다는 점을 강조합니다. 인터프리터는 하나의 프로그래밍 언어가 다른 언어와 대화할 수 있게 해주는 번역기와 같습니다. PROB의 새로운 기능들을 사용하여 학생들과 연구자들은 다른 언어(예: Java 또는 WebAssembly)를 위한 번역기를 쉽게 구축하고, 시각화 도구를 통해 실행되는 모습을 즉시 테스트할 수 있습니다.

결론적으로, 저자들은 컴퓨터 과학의 모든 문제를 해결했다고 주장하는 것이 아닙니다. 그들은 이러한 논리적 도구들을 더 시각적이고, 인터랙티브하며, 대규모 시뮬레이션이 가능하게 만듦으로써, 우리가 버그를 더 일찍 잡고, 학생들을 더 잘 가르치며, 복잡한 시스템을 더 깊이 이해할 수 있다는 것을 제안하고 있습니다. 그들은 나아가 이 도구들이 강화 학습을 사용하여 AI 에이전트를 훈련시키는 데 사용될 수 있는 미래를 암시하며, 인간이 그러하듯 컴퓨터가 시행착오를 통해 게임(또는 논리 퍼즐)을 배우게 하는 것을 말합니다. 하지만 현재로서는, 건조하고 추상적인 논리 증명의 세계를 당신이 규칙을 보고, 만지고, 가지고 놀 수 있는 놀이터로 바꾼 것이 주요한 승리입니다.