전기전자/정보통신

Nikkei Electronics_2021.9 특집 요약 (p16~68)

이징머신(Ising Machine)의 다양한 활용
‘‘Data Democracy 사회'의 탄생으로

Part 1. 동향
조합 최적화로 진정한 DX를, 데이터가 스스로 액션을 결정

‘이제부터는 IoT 시대가 된다’라는 말을 들은 지도 벌써 10년. 그러나 일본에서는 IoT 세계가 확산되었다고 말하기는 아직 이르다. 한편, 최근 1년 정도에 ‘조합 최적화’를 이용한 디지털 변혁(DX)이 급속하게 확산되고 있어, 도요타 그룹을 포함한 국내 주요 기업의 대부분이 이미 실증 실험에 나서고 있다. 그 주역은 조합 최적화 문제를 푸는데 특화되어 있는 이징머신이다.

2020년부터 이징머신을 이용한 업무개혁 지원 서비스에 대한 관심이 급증해, 거래 기준의 경우는 수백 건, 계약한 안건도 100여건에 달한다. 2019년에 세계 최초로 양자 어닐링(QA)을 포함한 이징머신을 실제 서비스에 이용한 그루브노츠(Groovenauts)의 대표이사 사장인 사이슈(最首) 씨는 그 배경으로, 코로나 사태로 DX(디지털 개혁)에 대한 관심이 높아진 것과 업무 개혁 내용을 수학적으로 추상화하기 쉬운 이징머신의 등장 타이밍이 일치했던 것을 들고 있다. (사이슈 씨와의 인터뷰 ‘다양성과 효율을 이징머신으로 양립, 과제에 대한 수학적 어프로치를 중시하는 것이 강점’을 참조).

-- 목적 없이는 진행되지 않는다 --
주변에 다수의 센서가 배치되어 매년 1조(兆, Trillion)개가 넘는 페이스로 증가하는 IoT(Internet of Things) 세상이 올 것이라는 주장이 미국에서 등장하기 시작한 것은 2010년 전후. 구조화 이전의 데이터를 굳이 모아두는 빅데이터 및 IoT의 ‘전신’이라고 할 수 있는 M2M까지 포함하면 20년에 가까운 시간이 흘렀다.

그러나, 적어도 일본에서는 IoT세계가 도래했다고는 말할 수 없는 상황이다. 반도체 공장 등 일부 첨단 공장에서는 센서에 의한 감시가 보급되어 있지만, 일반 공장, 혹은 기업 활동이나 우리의 생활 속에 인터넷에 연결되는 센서가 다수 보급되었다고는 말하기 힘들다.
 
보급이 진행되지 않은 이유로는 크게 2가지를 들 수 있다. (1)’무엇을 위해 그것을 하는가?’ 라는 목적이 없거나, 또는 뒷전으로 한 점, (2)IoT를 도입해도 피드백이나 다음 액션의 자동화를 전제로 하고 있지 않은 점이다.

(1)의 목적이 없는 점은 빅데이터 등에서는 오히려 권장되었다. 일단 센서를 뿌려 데이터를 수집해 두면, 그것이 나중에 큰 자산이 될 것이라고 생각했던 것이다. 하지만 그런 식으로는 기업들이 본격적으로 예산을 할애할 수 없다. 또한, 유용하지 않는 데이터, 즉 잡음이 대량으로 섞인 데이터는 서버의 처리 능력이나 스토리지의 저장 용량을 금세 초과해 버린다. 그런 점에서, 센서 측의 AI(인공지능) 등으로 어느 정도 데이터를 걸러 낸 후에 서버로 보내는 ‘엣지 컴퓨팅’이 제창되었다. 그러나 목적이 명확하지 않으면 데이터를 효과적으로 압축할 수 없다.

(2)의 피드백 구조를 전제로 하고 있지 않은 점도 센서에 의한 데이터 자동 수집의 의미를 반감시킨다.

-- 목적이 전제, 그 다음은 자동화 --
한편, 이징머신이 주도하는 DX에서는 이와 반대의 어프로치를 채택한다. 먼저, 목적을 명확히 정하는 것이다. 목적 설정에는 인건비 삭감, 물류 비용 감축, 반도체 회로의 레이아웃을 고안한 집적도 향상, 유리판의 절단 효율 상승과 같은 뻔한 업무 개선의 목표라도 좋다.

이러한 업무 개혁은 한정된 자원을 몇 가지 제약 조건 하에 고효율로 재배분 한다는 점에서 실은 그 대부분이 조합 최적화 문제, 그 자체인 것이다. 캐나다 D-Wave Systems의 이징머신 이용을 추진해 온 도호쿠(東北)대학 대학원 정보과학연구과 응용 정보과학 전공 교수로서 양자 어닐링 연구개발센터의 오제키(大関) 센터장은 “조합 최적화 문제는 사회 곳곳에 넘쳐 나고 있다”라고 지적한다.

목적을 명확히 정한다면 그 후에 인간이 나설 차례는 거의 없다. 우선은 센서 등으로 데이터를 수집해, 그것을 바탕으로 설정한 목적을 최대화하는 자원(인적 자원을 포함)의 재배분 전략을 이징머신이 반자동적으로 출력. 그 새로운 상황을 바탕으로 다시 한번 데이터 수집을 통해 또다시 이징머신에 입력하는 것처럼 인간의 개입을 전제로 하지 않는 사이클이 돌기 시작하기 때문이다.

이 데이터가 지체적인 ‘투표’를 통해 자율적으로 방침을 결정해 일을 추진해나가는 ‘데이터 민주주의(데모크라시)’는 ‘일발역전(一發逆轉)’의 업무 개혁은 아니다. 개선된 구조를 빌트인 하는 것으로, 한 번의 개선으로는 그 변화가 작아도 그것을 반복하는 것에 큰 의미가 있다고 할 수 있다.

-- 뛰어난 범용성과 해(解)를 구하는 속도가 관건 --
조합 최적화 문제를 푸는 알고리즘이나 솔버(해법)는 다수 존재한다. 이징머신은 시뮬레이티드 어닐링(Simulated Annealing: SA) 또는 양자 어닐링(Quantum Annealing, QA)이라고 하는 솔버를 실장한 전용 기기이다. (이러한 구조에 대해서는 Part. 2의 ’각 사에서 확장성 확보를 연구, ‘터널 효과’로 정밀도 개선’ 참조).

수많은 뛰어난 해법을 뒤로하고, 이징머신을 사용하는 장점에는 크게 2가지가 있다. (1)다양한 문제를 비교적 쉽게 정식화할 수 있으며, 나름의 해(解)를 얻기 쉽다는 점에서 범용성이 높으며, (2)전용기가 개발되어 대규모 문제에서도 단시간에 구제할 수 있다는 점이다. 해법으로서는 비록 같은 정도의 계산량이라도 전용기로 계산함으로써 수백 배 이상 빠르게 해를 구할 수 있는 경우가 많다.

실은, 그 이외의 점에서는 SA나 QA에 해결해야 할 과제가 많아, 다른 해법에 우위성이 있는 경우가 많다(‘제약조건에 따라서 Gurobi/ILOG가 선택지로’ 참조). 예를 들면, SA나 QA의 해는 최적의 해라는 것과 해의 재현성이 함께 보증되지 않는다.

-- 데이터 갱신의 빈도는 목적으로 결정된다 --
그러한 과제가 있음에도 불구하고 앞에서 말한 데이터 민주주의의 실현에 이징머신이 선택되는 것은 뛰어난 범용성과 해를 구하는 속도가 본질적으로 중요하기 때문이다. 업무 개혁을 본격적으로 진행하려고 하면, 거기에 필요한 전형적인 데이터 갱신 빈도가 목적 별로 거의 정해져 있다는 것을 알 수 있다. 또한 그것은 1시간 이하로 비교적 짧은 시간인 경우가 많다.

예를 들어, 육아 세대가 많이 근무하는 직장에서의 교대 근무표 작성의 경우, 아이가 유아라면 갑작스러운 발열이 자주 있어, 교대표 작성에 수 시간을 들여 대응하기란 쉽지 않다. 쓰나미의 피난 경로 선택에 30분 이상 걸린다면 그 정보를 제공하는 의미가 없어진다. 또한 관광 플랜의 자동 작성에 10분 이상이 걸린다면 인간과 상담하는 편이 나을 것이다. 매우 빠른 응답이 요구되는 금융 거래의 경우, ‘최적의 포트폴리오’를 제시한다고 해도 다른 딜러가 매매를 한 뒤라면 아무 쓸모가 없는 것과 마찬가지이다.

문제의 규모에 따라 다르지만, 기존의 조합 최적화 문제의 해법은 해답을 구하는데 몇 시간에서 몇 일, 혹은 그 이상 걸리는 것이 많다. 이것이 각 업무에서 요구되는 데이터 갱신의 빈도에 맞출 수 없다면 선택지가 될 수 없는 것이다. 이러한 배경으로 인해, 이징머신을 개발하는 각 제조사는 취급할 수 있는 문제 규모의 확장과 동시에 해답을 구하는 고속화에 주력하고 있다.

-- 기계 학습 예측이 즉석 해답을 활용 --
지금, 이 시기에 이징머신 주도의 DX가 각광을 받는 이유는 크게 3가지다. (1)코로나19 사태로 DX자체에 대한 관심이 높아졌고, (2)다양한 이징머신 성능이 실용화 수준이 되었으며, (3)기계 학습과의 제휴도 가능하게 되었다 는 점을 들 수 있다.

(3)의 기계학습의 등장은 이징머신보다 수 년 빠르지만, 그것이 있는 것과 없는 것과는 데이터 민주주의의 실현에 커다란 격차가 생기고 만다. 앞에서 말한 바와 같이 이징머신에 의한 조합 최적화는 시간적으로 고속 응답이 요구되는 경우가 많지만, 실제 현장에서는 갑자기 규슈(九州)공장에 있는 트럭을 도쿄의 공장에 10대를 당장 가져오라고 명령을 내린다고 해도 이징머신이 곧바로 대처할 수는 없다.

자원의 조달이나 수송에 걸리는 시간을 예상하고, 당일 필요한 자원을 1주일~1개월 전부터 어느 정도의 정밀도로 예측하여 조달 및 수송을 시작해 둘 필요가 있다. 그 예측에 기계 학습을 빼놓을 수 없다. 앞에서 소개한 그루브노츠가 성공하고 있는 것도, 그 회사가 기계학습의 솔루션을 베이스로 하고 있었기 때문이라고 말할 수 있다.

Part 2. 기술 개발의 최전선
각 사에서 확장성 확보를 연구, ‘터널 효과’로 정밀도 개선

이징머신의 성능 향상과 다양화가 멈추지 않는다. 아직 새로운 기술인 만큼 그 기술 개발 내용은 각 사마다 각양각색이다. 다만, 변수가 많은 문제에 대처하기 위한 규모의 확장성을 높이는 것을 중시한다는 점에서는 같다. 해를 구하는 속도나 정밀도를 큰 폭으로 높이는 연구를 거듭하는 사례도 있어, 이징머신의 잠재되어 있는 성장력은 아직도 크다고 볼 수 있다. 이번 Part에서는 각종 이징머신의 구조 및 개발 상황을 소개하겠다.

이징머신의 기초가 되고 있는 ‘이징 모형(lsing model)’은 자성체 재료 중에서 전자 스핀의 움직임을 어느 정도 단순화(모델화)하여 재료의 움직임을 논의하기 위해 독일 출신의 연구자, 엘른스트 씨 등이 제창한 물리학 상의 모델이다.

다만, 비교적 이른 시기에 이징 모형이 조합 최적화 문제를 푸는 데도 유용하다는 사실이 알려지면서, 그것을 고전 물리학의 범위에서 재현한 알고리즘 '시뮬레이티드 어닐링(SA)'이라는 솔버(해법)가 1983년에 개발되었다. SA를 동작시키는 ‘계산기’ 전반을 이징머신으로 부르기도 한다.

현재는 그 ‘양자역학 버전’도 있다. 1998년에 도쿄공업대학의 대학원생(현재는 덴소)이었던 가도와키(門脇) 씨와 교수 니시모리(西森) 씨가 SA보다 고속으로 고정밀도의 해(解)를 기대할 수 있는 ‘횡자장 이징 모형의 양자 어닐링’이라고 하는 수법을 제창했다. 그 다음 해에는 그 실용화를 목표로 하는 캐나다의 벤처 기업 D-Wave Systems가 창업해, 2011년에 양자 어닐링(QA) 머신을 발매했다.

그 후, 미국 마이크로소프트가 D-Wave의 뒤를 이어 소규모 QA 머신을 개발했다. 한편, 후지쓰, 히타치 제작소 등은 SA를 전용 회로에 실장해 해(解)를 구하기 위한 고속화를 목표로 이징머신을 개발해 QA 머신에 대항하였으며, NTT 등은 빛의 양자적 특성을 이용한 머신, 도시바도 SA를 자체적으로 개량한 머신을 개발했다.

최근에는 마이크로소프트가 SA를 자사의 클라우드 컴퓨터인 ‘Azure’에 독자적으로 구현하였으며, 도쿄공업대학 및 산업기술종합연구소뿐만 아니라, 가도와키 씨가 소속되어 있는 덴소 등도 이징머신 개발에 뛰어들어 그 종류가 급속하게 증가하고 있다.

Part 3. 사례 모음
움직이기 시작한 데이터 민주주의, 데이터에 따라 물건이나 사람을 배치

첨단 기업들은 업무상의 과제를 해결하기 위해 각종 이징머신을 이용한 조합 최적화 문제 해결에 뛰어들기 시작했다. 목적은 역시 문제의 설정을 용이하게 하고, 단시간에 해를 구하는 것이다. 현재는 대부분이 실증 실험(POC) 단계이지만, 코로나19 사태 해결을 위해 실제 운용을 검토하고 있는 곳도 적지 않다.

● 도시바와 다루마캐피털
금융 거래는 속도가 생명, SBM이라면 서브밀리 세컨드(Sub-ms) 경쟁도 제압할 수 있을까?

금융 거래 시장은 ‘눈 감으면 코 베어간다’는 말이 있을 정도로 속도를 중시하는 세계로,  그곳에 이징머신으로 도전하는 사례가 등장했다. 도시바와 다루마캐피탈은 2021년 5월, 도시바의 시뮬레이티드 분기(分岐) 머신(SBM)을 주식시장에서의 고속 고빈도 거래(HFT)에 이용하는 검증을 시작했다.

● AGC
어려운 유리판 절단에 도전, 도시바 SBM이 D-Wave를 상회

AGC는 이징머신을 이용한 조합 최적화로 판유리에서 필요한 형상의 유리(아이템)를 절단하는 난제에 도전했다. 이것이 난제인 것은 유리판에는 끝에서 끝까지 자를 수 밖에 없는 길로틴(Guillotine) 절단의 제약이 있기 때문이다.

● 젠린 데이터컴
관광 플랜은 머신에게 맡겨, MaaS로의 활용에도 큰 기대

주택 지도 제조업체인 젠린의 자회사로, 지도 활용 솔루션 등을 전문으로 하는 젠린 데이터컴은 아타미(熱海)의 관광 루트를 이징머신으로 자동 작성하는 데모 사이트를 기간 한정으로 공개했다.

● 미쓰이스미토모(三井住友) 파이낸셜그룹
경제 예측의 모델 작성은 1/6 시간 단축, 근무표 작성으로 대폭 효율화

미쓰이스미토모 파이낸셜그룹(SMFG)은 일본 종합연구소와 공동으로 각종의 이징머신, 또는 이징 모형을 이용한 다양한 어프로치를 추진하고 있다. 그 중 하나가 경제 위기 시의 세계 경제 성장률의 예측 모델 ‘스트레스 테스트’의 작성이다.

● 도요타 중앙연구소
교차로 2,500곳 신호를 모의, 원활한 이동의 해(解)를 구한 것은 양자 어닐링(QA)

신호등의 점등 타이밍에 따라 도로의 정체 상황은 크게 달라진다. 도요타 중앙연구소는 광역 도로망의 신호등 하나하나의 점등을 제어해 이상적인 교통 상태로 접근할 수 있는 조합 최적화 문제를 설정했다.

● 손해보험 재팬
보험은 10만 계약이 최저 한도선, 해를 구하는 시간이 법인보험대리점(GA)의 1/174 이하로

자연재해 발생 시 거액의 지급 보험금에 대비해 손해 보험사가 가입하는 ‘보험의 보험’이 재보험이다. 손해보험 재팬과 히타치제작소는 이 재보험과 재해 시의 지불 리스크의 밸런스가 잡힌 보험 전략을 구축하는데 있어서 이징머신 이용을 시도했다.

● 도호쿠(東北)대학
쓰나미로부터의 피난 경로 제시, D-Wave 머신 등이 0.02초만에

2011년 3월 11일에 일어난 동일본 대지진으로 큰 해일이 발생해, 많은 인명 피해가 있었다. 이것을 교훈으로 해일의 시뮬레이션 기술은 급속도로 발전했다.

● 덴소
공장 내 AGV(자율주행차)의 운행 루트를 즉시 결정, 가동률이 80%에서 95%로 향상

덴소는 자동차 부품의 소재 개발에서 물류까지, 양자 어닐링을 폭넓게 활용한다는 방침이다. “자동차 관련 분야에서의 이용 확대를 검토하고 있다. 탄소중립 실현에 공헌하고 싶다”(양자 어닐링의 제창자 중 한명인 덴소 첨단기술연구소 가도와키(門脇) 과장).

● 도요타 시스템즈
자동차 부품 배송 효율화에 도전, DA 도입에는 사람의 마음이 중요

도요타 시스템즈는 수송 트럭의 루트를 단시간에 최적화하는 연구 개발을 추진하고 있다. 트럭의 주행 거리나 드라이버 인원수 등 배송에 드는 비용을 줄인 후, 완성차 공장이 지정하는 시각에 '저스트 인 타임(JIT)'으로 전달하는 것을 목표로 한다.

● 무료로 사용할 수 있는 D-Wave 머신
기자가 조합 최적화에 도전

캐나다 D-Wave Systems의 ‘Leap’는 자사의 양자 어닐링(QA) 머신을 클라우드 상에서 대여하는 서비스이다. Leap에 등록하면 누구나 D-Wave 머신으로 조합 최적화 문제를 풀 수 있다. 이번에 기자는 해당 머신으로 2가지 간단한 문제 풀이에 도전했다.

 -- 끝 --

Copyright © 2020 [Nikkei Electronics] / Nikkei Business Publications, Inc. All rights reserved.