37 lines
2.7 KiB
Markdown
37 lines
2.7 KiB
Markdown
---
|
|
id: P-REINFORCE-AUTO-SIAN-001
|
|
category: "[[10_Wiki/💡 Topics/AI]]"
|
|
confidence_score: 0.94
|
|
tags: [auto-reinforced, optimization, algorithms, simulated-annealing, physics-inspired]
|
|
last_reinforced: 2026-04-20
|
|
---
|
|
|
|
# [[Simulated-Annealing]]
|
|
|
|
## 📌 한 줄 통찰 (The Karpathy Summary)
|
|
> "천천히 식히며 찾는 최적해: 금속을 달궜다 서서히 식히는 담금질(Annealing) 과정을 모사하여, 당장의 이익보다는 전역적인 최적점(Global Optimum)을 향해 확률적으로 탐험하는 최적화 알고리즘."
|
|
|
|
## 📖 구조화된 지식 (Synthesized Content)
|
|
시뮬레이티드 어닐링(Simulated Annealing, SA)은 넓은 탐색 공간에서 복잡한 최적화 문제의 근사해를 찾기 위해 확률론적 접근을 사용하는 알고리즘입니다.
|
|
|
|
1. **메커니즘 (Energy & Temperature)**:
|
|
* **Temperature (기온)**: 초기에는 높은 온도로 설정하여 좋지 않은 해(Solution)도 수용함 (고도의 탐험).
|
|
* **Cooling Schedule**: 시간이 지날수록 온도를 낮추어 점점 더 좋은 해만 수용하도록 탐색 범위를 좁힘 (활용 단계로 전이).
|
|
* **Probabilistic Jump**: 현재보다 나쁜 해로 이동할 확률($e^{-\Delta E / T}$)을 부여하여, 지역 최적점(Local Optimum)이라는 함정에서 탈출할 기회 제공.
|
|
2. **장점**:
|
|
* 구현이 비교적 간단함.
|
|
* 볼록 함수가 아닌(Non-convex) 복잡한 손실 함수에서도 효과적으로 전역 최적해를 찾아낼 가능성이 높음.
|
|
3. **적용 사례**:
|
|
* **Traveling Salesman Problem (TSP)**: 도시 간 최단 경로 찾기.
|
|
* **VLSI 설계**: 칩 내부의 수조 개 소자들을 가장 효율적으로 배치하는 문제.
|
|
* **Resource Allocation**: 한정된 자원의 최적 할당 시뮬레이션.
|
|
|
|
## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
|
|
- **과거 데이터와의 충돌**: 과거에는 컴퓨팅 파워 부족으로 SA의 느린 수렴 속도가 단점으로 지적되었으나, 현대의 분산 처리 환경 정책은 정확도 확보를 위해 SA와 유전 알고리즘 등을 하이브리드로 섞어 쓰는 방식(RL Update)을 권장함.
|
|
- **정책 변화(RL Update)**: 양자 어닐링(Quantum Annealing) 하드웨어의 보급 가능성이 커짐에 따라, 기존의 소프트웨어 기반 SA 정책을 하드웨어 가속 기반의 양자 최적화 정책으로 전환하기 위한 알고리즘 재설계 프로젝트가 국가 단위에서 진행 중임.
|
|
|
|
## 🔗 지식 연결 (Graph)
|
|
- [[Quantum Computing (Intro)]], [[Operations-Research]], [[Reinforcement Learning (RL)]], [[Complex Adaptive Systems]], [[Algorithm-Ethics]]
|
|
- **Modern Tech/Tools**: Python libraries (mlrose, simanneal), D-Wave Quantum Annealers.
|
|
---
|