확산모델(diffusion model)은 많은 AI 응용에 활용되고 있으나, 효율적인 추론-시간 확장성(inference-time scalability)에 대한 연구가 부족했다. 추론-시간 확장성은 인공지능(AI) 모델이 추론 단계에서 사용할 수 있는 계산 자원의 양에 따라 성능을 유연하게 조절할 수 있는 능력이다.
KAIST 전산학부 안성진 교수팀이 확산모델에서 고성능·고효율 추론이 가능한 신기술을 개발했다.
이 기술은 기존 모델이 성공하지 못한 초대형 미로찾기 임무를 100%의 성공하며 성능을 입증, 향후 지능형 로봇, 생성형 AI 등 실시간 의사결정이 요구되는 다양한 분야에서 핵심 기술로 활용될 전망이다.
안 교수팀은 딥러닝 분야 세계적 석학 몬트리올대 요슈아 벤지오 교수와 공동연구로 AI 확산모델의 추론-시간 확장성을 크게 개선하는 신기술을 개발했다.
이 기술은 AI의 학습 이후 추론단계에서 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. 하지만 현재 다양한 응용 분야에서 활용되는 확산 모델에는 이러한 스케일링을 효과적으로 구현하는 방법론이 부족하다는 한계가 있었다.
이에 안 교수팀은 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 성공률 0%이던‘자이언트-스케일의 미로 찾기’태스크를 100%의 성공률을 달성했다.
아울러 후속 연구로 제안한 방법론의 주요 단점인 느린 속도 문제를 대폭 개선하는 방법을 개발했다.
트리 탐색을 효율적으로 병렬화해 비용을 최적화, 이전방식 대비 최대 100배 빠른 속도로 동등하거나 더 우수한 품질의 결과를 얻었다.
이는 제안한 방법론의 추론 능력과 실시간 적용 가능성을 동시에 확보했다는 점에서 큰 의미가 있다.
안 교수는 “이번 연구는 고비용 계산이 요구되던 기존 확산모델의 한계를 근본적으로 극복한 기술”이라며 “지능형로봇, 시뮬레이션 기반 의사결정, 실시간 생성 AI 등 다양한 분야에서 핵심 기술로 활용될 수 있을 것”이라고 말했다.
한편 이번 연구는 KAIST 전산학부 윤재식 박사과정이 제1저자로 수행했고, 연구결과는 지난 13~19일 캐나다 벤쿠버에서 열린 ‘제42회 국제기계학습학회(ICML 2025)’에서 상위 스포트라이트 논문으로 발표됐다.
(논문명 : 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)
