1. 전통 인공지능의 너비 우선 탐색 (Breadth-First Search) 개념
트리와 그래프의 수평적 레벨 순회(Level-Order Traversal)와 무정보 맹목 탐색
컴퓨터 과학에서 너비 우선 탐색(BFS)은 트리 (Tree)와 그래프 (Graph) 구조를 탐색하는 가장 기본적인 알고리즘입니다. 보통 루트 노드(Root Node)에서 출발하여 가장 가까운 거리의 모든 이웃 노드를 먼저 탐색하고, 그 다음 단계로 2단계 거리의 이웃 노드들을 탐색하며 목표(Goal)를 발견할 때까지 수평적으로 넓혀나갑니다.
[보존 원본 도표] 너비 우선 탐색의 수평 레벨별 노드 확장 순서 (Level 1 → Level 2 → Level 3)
BFS는 해(Solution)를 찾아서 조직적으로 트리의 모든 노드들을 빠짐없이 검사하는 무정보 탐색 (Uninformed or Blind Search)입니다. 달리 말하면 어떤 상태가 목표에 더 가까운지 예측하는 휴리스틱 (Heuristic) 정보를 전혀 사용하지 않고, 목표가 발견될 때까지 전체 트리를 맹목적이고 체계적으로 전수 조사(Exhaustive Search)합니다.
분기 계수 b가 유한할 때 해가 존재한다면 반드시 찾아냅니다. 무한 루프에 빠지지 않습니다.
모든 간선의 비용이 동일할 때, 가장 적은 수의 단계(최단 홉 경로)를 갖는 최적해를 보장합니다.
O(bd) : 깊이 d까지 모든 노드를 생성하므로 지수적 시간(1 + b + b2 + ... + bd)이 소요됩니다.
O(bd) : 프런티어 큐에 해당 깊이의 모든 형제 노드를 RAM에 유지해야 하므로 메모리가 폭발합니다.
2. FIFO 큐 자료구조와 탐색 메커니즘
Open 큐, Closed 집합, 의사 코드 및 사이클 방지 방문 비트
알고리즘 관점에서 볼 때, 노드를 확장하여 얻어진 모든 자식 노드들은 선입선출(FIFO, First-In First-Out) 큐(Queue)에 차례로 삽입됩니다.
Open 큐와 Closed 집합의 상호작용
- • Open 큐 (Frontier): 발견되었으나 아직 자식들을 조사하지 않은 후보 노드들이 대기하는 FIFO 큐입니다.
- • Closed 집합 (Explored Set): 이미 큐에서 꺼내져 조사가 완료된 노드들을 보관하는 해시 셋입니다.
- • 순환 그래프(Cyclic Graph) 적응: 트리가 아닌 일반 그래프에서는 무한 루프를 방지하기 위해 각 노드에 방문 표시 비트(Visited Bit)를 두어 중복 삽입을 원천 차단합니다.
[보존 원본] 그래프 탐색 순서 예시
깊이우선 탐색(DFS)의 수직 방문(A, B, D, F, E, C, G)과 뚜렷하게 대조됩니다.
BFS(StartNode, GoalTest) {
Create an empty FIFO Queue
Create an empty Set Visited
Enqueue(Queue, StartNode)
Add(Visited, StartNode)
while (Queue is not empty) {
currentNode = Dequeue(Queue)
if (GoalTest(currentNode) == TRUE) {
return SolutionPath(currentNode) // 최단 경로 반환
}
for each neighbor in Expand(currentNode) {
if (neighbor not in Visited) {
Add(Visited, neighbor)
neighbor.parent = currentNode
Enqueue(Queue, neighbor)
}
}
}
return FAILURE // 해가 존재하지 않음
}
3. 전통 AI 및 컴퓨터 과학에서의 대표적 활용 사례
웹 크롤링, 소셜 네트워크 6단계 법칙, 최단 홉 라우팅과 미로 풀이
구글과 같은 대형 검색엔진의 스파이더 봇은 시작 URL에서 추출한 하이퍼링크들을 FIFO 큐에 넣고 동일 깊이의 모든 웹페이지를 수평적으로 수집합니다. 이를 통해 신뢰도가 높은 상위 도메인 및 메인 페이지를 우선적으로 인덱싱합니다.
링크드인(LinkedIn)의 1촌/2촌/3촌 관계 및 페이스북의 친구 추천 시스템은 BFS를 사용하여 두 사용자 간의 최단 연결 경로(케빈 베이컨의 6단계 법칙, 에르되시 수)를 가장 적은 관계 홉으로 신속하게 계산합니다.
가중치가 동일한 스위칭 네트워크에서 송신자로부터 목적지까지 패킷이 거쳐야 하는 최소 홉 수(Hop Count)를 계산하거나, 네트워크 전체에 패킷을 최소 지연으로 퍼뜨리는 브로드캐스팅 트리를 구축할 때 BFS가 활용됩니다.
이동 비용이 모두 1회 조작으로 동일한 슬라이딩 타일 퍼즐이나 2D 미로 찾기에서, BFS는 벽을 피해 목적지까지 도달하는 '가장 적은 이동 횟수의 최단 해'를 무조건 첫 번째로 보장하며 찾아냅니다.
너비 우선(BFS) vs 깊이 우선(DFS) 비교 및 메모리 폭발 병목
자료구조, 공간 복잡도 O(bd)의 한계와 대안적 하이브리드 탐색
| 비교 기준 | 너비 우선 탐색 (BFS) | 깊이 우선 탐색 (DFS) | 반복적 깊이심화 (IDDFS) |
|---|---|---|---|
| 프런티어 자료구조 | 선입선출 큐 (FIFO Queue) | 후입선출 스택 (LIFO Stack) | 깊이 제한 스택 (Depth-Limited) |
| 탐색 진행 방향 | 수평 레벨 순서 (Level-by-Level) | 수직 끝까지 (Deepest Branch First) | 수직 반복 전개 (점진적 깊이 확장) |
| 완전성 (Completeness) | 완전 보장 | 불완전 (루프 취약) | 완전 보장 |
| 최적성 (Optimality) | 최단 단계 최적 | 비최적 (얕은 해 놓칠 수 있음) | 최단 단계 최적 |
| 공간 복잡도 (메모리) | O(bd) (치명적 메모리 폭발) | O(b × m) (선형 메모리 절약) | O(b × d) (최고의 절약) |
⚠️ 분기 계수 b=10, 노드당 1KB 메모리 기준의 BFS 공간 폭발 실태
깊이 d=2에서 100KB, 깊이 d=4에서 10MB, 깊이 d=6에서 1GB, 깊이 d=8에 도달하면 무려 100GB의 RAM이 요구됩니다. 시간보다 메모리가 먼저 고갈되어 비정상 종료(Out-Of-Memory)되는 것이 BFS의 가장 큰 약점이며, 이 때문에 전통 AI에서는 반복적 깊이심화(IDDFS)나 휴리스틱을 결합한 A* 알고리즘이 발전하게 되었습니다.
4. 최신 LLM에서 너비 우선 탐색(BFS)의 진화와 결정적 의미
Tree of Thoughts (ToT), 빔-BFS 사고 전개, 그리고 근시안적 생성 탈피
과거의 BFS가 물리적 그래프의 정점(Vertex)을 큐에 넣고 순회했다면, 현대 생성형 LLM에서의 너비 우선 탐색은 거대한 자연어 추론 공간에서 모델이 한 방향으로 성급하게 질주하다가 환각(Hallucination)에 빠지는 것을 막는 인지적 수평 확장(Horizontal Cognitive Expansion)의 표준으로 진화했습니다.
1. Tree of Thoughts (ToT)의 BFS 모드 (Yao et al., 2023)
현재 사고 상태에서 LLM이 k개의 다양한 다음 사고 후보(Sub-goal / Step)들을 수평적으로 동시 생성합니다. 각 후보 사고를 자체 평가하여 가장 유망한 상위 b개의 상태만을 선별하고 다음 레벨로 동시 전진합니다.
2. 자기회귀 모델의 근시안적 함정(Myopic Greediness) 극복
기존 LLM(Greedy 디코딩)은 국소적으로 확률이 가장 높은 다음 토큰만을 맹목적으로 선택합니다. 첫 단추를 잘못 꿰면 뒤따르는 수천 토큰 전체가 붕괴합니다.
3. 자율 에이전트의 다단계 계획 동기화 (Multi-Agent Planning)
소프트웨어 개발이나 대규모 리서치 에이전트는 무작정 코드 작성부터 깊이 들어가지 않습니다. [요구사항 분석] 단계의 모든 가능성을 수평 전개하여 합의한 뒤, [아키텍처 설계] 단계로 수평 전진하는 BFS 계획 방식을 취합니다.
4. 복합 문제에서의 다중 가설 동시 추적 (Multi-Hypothesis Tracking)
의료 진단, 법률 판례 분석, 범죄 수사 추론 등에서는 하나의 시나리오에 편향되어서는 안 됩니다. BFS 구조를 통해 상호 배타적인 여러 의학적 가설을 동일 깊이에서 동시에 유지·비교하며 근거를 축적합니다.
📌 왜 최신 추론 AI에서 '너비 우선(Breadth-First)'의 사상이 필수적인가?
언어 모델의 사고는 수직 깊이(Depth)만 추구하면 환각이 환각을 낳는 '눈덩이 오류(Compounding Error)'에 빠지기 쉽습니다. 너비 우선 탐색(BFS)은 모델에게 "잠깐 멈추고, 현재 단계에서 선택할 수 있는 다른 모든 대안을 수평적으로 넓게 둘러보라"는 인지적 여유를 부여함으로써, 가장 견고하고 짧은 논리적 최적해(Optimal Proof)를 도출하도록 보장하는 핵심 나침반입니다.
전통 그래프 BFS vs 최신 LLM Tree of Thoughts(ToT) BFS 아키텍처 비교
이산 정점 순회에서 자연어 사고 단계의 인지적 빔-BFS 전개로의 진화
전통 너비 우선 탐색 (1959 ~ 현재)
정적 그래프 정점, 2D 격자 좌표, 슬라이딩 타일 배치
단순 선입선출 큐 (FIFO Queue, 가치 평가 없음)
오직 중복 방문 노드만 제외 (Visited Set)
최소 간선 홉(Hop) 수, 최단 단계 물리적 경로
최신 LLM Tree of Thoughts(ToT) BFS (2023 ~ 현재)
자연어 사고 단계(Thought Step), 중간 수식, 하위 계획
가치 평가 기반 상위 b개 선별 큐 (Beam-BFS)
LLM 자체 평가(Impossible/Sure) 및 PRM 점수 미달 가지 절단
근시안적 함정을 피한 무결점 24게임 풀이, 창의적 글쓰기, 코드 설계
5. 추천 강의 영상 및 원문 학술 자료
하버드 CS50, MIT 인공지능 명강의, 그리고 고전 원서 및 최신 연구
Search: Breadth-First Search & Queue Frontier
Search: Depth-First, Breadth-First, Uniform-Cost
보존된 원문 학술 자료 및 고전 문헌
너비우선 탐색 (Breadth-First Search)
저자: Nils J. Nilsson (1998, Artificial Intelligence: A New Synthesis)
상태공간 그래프 구성, 노드 확장 공식 Nbf = (bd+1 - 1)/(b - 1) 및 IDDFS와의 수리적 비교 수록.
너비우선 탐색 (Breadth-First Search)
저자: Dan W. Patterson (Introduction to Artificial Intelligence and Expert Systems)
맹목적 탐색 전략으로서의 알고리즘 흐름과 완전성, 최적성 정리.
Tree of Thoughts: Deliberate Problem Solving with Large Language Models (2023)
Shunyu Yao, Dian Yu, Jeffrey Zhao, et al. (Princeton & Google DeepMind)
사고 단위를 노드로 보고 BFS 빔 탐색을 적용하여 24게임 정답률을 4%에서 74%로 끌어올린 혁신적 연구.