MIT 하드플로는 생성 모델의 제약을 중간이 아니라 마지막 출력에만 걸어 안전율 1.00을 만들었다

MIT 연구진이 2026년 9월 14일 IEEE TPAMI에 게재한 논문 '하드플로(HardFlow)'는 사전학습된 플로 매칭 모델의 샘플링을 궤적 최적화 문제로 다시 써서 로봇 조작과 미로 주행과 편미분방정식 제어와 얼굴 편집 네 과제 전부에서 제약 위반을 0으로 만들었다. 로봇 조작 과제 50회 시행에서 안전율 1.00을 기록한 방법은 하드플로 하나였고, 비교 대상 아홉 가지 중 가장 높았던 Projection-Late는 0.76에 그쳤다. ASAP은 arXiv:2511.08425 v3 전문과 MIT 뉴스 발표문에 적힌 수치만으로 이 방법이 기존 투영 방식과 어디에서 갈라지는지 정리한다.

하드플로는 중간 샘플을 제약면에 붙잡아 두지 않는 대신 마지막 시점에서만 제약을 강제한다

플로 매칭 모델과 확산 모델은 무작위 잡음을 데이터로 바꾸는 과정을 학습하며, 스테이블 디퓨전과 플럭스(FLUX) 같은 사전학습 모델이 이미 널리 쓰인다. 문제는 공장 바닥의 로봇 경로처럼 거의 맞는 답이 쓸모없는 영역이다. 사람 작업자와 거의 부딪히지 않는 경로는 부딪히는 경로다.

기존 해법은 투영 기반 샘플링이다. 생성 도중의 중간 샘플을 매 단계마다 제약을 만족하는 영역으로 억지로 밀어 넣는 방식이며, 논문은 이를 Projection-All과 Projection-Late와 Projection-Relaxed 세 갈래로 구현해 비교했다. 제1저자 리 저양은 제약 충족에서 최종적으로 중요한 것은 모델의 최종 출력이며 내부 과정은 버려진다고 말했다. 모든 중간 단계가 제약을 만족하도록 요구하지 않으면 모델이 결국 실현 가능한 고품질 해를 찾을 자유가 커진다는 것이다.

하드플로는 이 문제를 수치 최적제어의 궤적 최적화로 다시 쓴다. 샘플링 궤적을 목표 쪽으로 미세하게 조종하되 제약은 종단 시점에서 정확히 만족되게 한다. 신경망 수백 층을 통째로 걸친 최적화는 그대로는 풀 수 없으므로, 연구진은 플로 매칭 모델의 구조와 모델 예측 제어 기법을 써서 문제를 한 단계짜리 부분 문제들의 연쇄로 분해하고 계산 가능한 대리 문제로 변환했다. 논문은 이 대리 문제와 이상적 형태 사이의 근사 오차에 대한 제어이론적 상한도 함께 제시한다.

궤적 최적화로 옮기면 제약 충족 말고도 두 가지를 같은 틀에 넣을 수 있다. 분포 이동을 줄이는 적분 비용과 샘플 품질을 끌어올리는 종단 목적함수다. 선임저자 나비드 아지잔은 생성 AI의 약속이 풍부한 가능성의 공간을 탐색하는 능력이고 현실 세계는 그중 허용 가능한 것에 경계를 긋는다며, 이 접근이 생성 능력을 보존하면서 고위험 응용의 타협 불가능한 요구를 강제한다고 말했다. 구현상 하드플로는 샘플링 후반 절반 구간에서만 최적화 문제를 푸는데, 초반에는 사후 추정이 부정확하기 때문이다. 비선형 계획 풀이는 오픈소스 솔버 IPOPT가 맡는다.

로봇 조작 실험에서 안전율 1.00과 최단 경로를 동시에 가져간 방법은 하드플로뿐이다

로봇 조작 과제는 D3IL 벤치마크를 따르며, 엔드이펙터가 기둥 여섯 개를 피해 목표 영역에 닿는 상황이다. 연구진은 학습 데이터의 다수 궤적과 충돌하는 새 장애물을 시험 시점에 추가해 난이도를 올렸고, 장애물 회피뿐 아니라 최소자승으로 학습 데이터에서 적합한 동역학 제약까지 하드 제약에 포함시켰다. 궤적 지평은 16, 재계획 지평은 8, 샘플링 이산화 단계는 10이며, 50회 시행으로 측정했다.

표 II의 세 지표는 안전율과 안전 시행의 평균 스텝 수와 궤적 하나를 뽑는 연산시간이다. 하드플로는 안전율 1.00, 평균 52.5스텝, 0.190초를 기록했다. 아무 제약도 걸지 않은 원본 모델은 0.06, 58.7스텝, 0.060초였다. 투영 계열에서는 Projection-Late가 0.76으로 가장 높았고 Projection-All은 0.46, Projection-Relaxed는 0.10이었다. 소프트 제약 계열인 Gradient Guidance는 0.18, OC-Flow는 0.14에 머물렀다. 그래디언트 가이던스를 투영에 얹은 세 조합은 오히려 안전율이 떨어져 각각 0.40과 0.68과 0.04를 받았다.

스텝 수를 함께 보면 그림이 달라진다. 하드플로를 제외한 아홉 방법은 전부 원본보다 경로가 길어졌고, 가장 긴 Projection-All + Gradient Guidance는 70.6스텝이었다. 하드플로만 58.7스텝에서 52.5스텝으로 짧아졌다. 연산시간에서도 하드플로의 0.190초는 Projection-All의 0.349초와 Gradient Guidance의 0.992초보다 짧았다.

미로와 버거스 방정식과 얼굴 편집에서 각각 다른 방식으로 같은 결론이 나왔다

미로 주행은 D4RL의 Maze2D 환경에서 힘으로 구동되는 공이 목표 지점까지 가는 과제이며, 여기서도 50회 시행으로 측정했다. 하드플로는 안전율 1.00, 위반 타임스텝 0.0회, D4RL 정규화 점수 1.620을 기록했다. 두 번째로 안전율이 높았던 Gradient Guidance는 0.88이었지만 점수가 1.11로 가장 낮았고 연산시간은 6.666초로 하드플로의 4.09초보다 길었다. Projection-Relaxed 계열 두 방법은 안전율 0.00을 받았고, 제약을 전혀 걸지 않은 원본은 0.02와 위반 49회였다.

편미분방정식 제어는 1차원 버거스 방정식에서 시간 격자 10개와 공간 격자 128개 위의 해와 제어를 생성하고 상태에 시간 가변 상한을 거는 과제다. 여기서는 하드플로 말고도 네 방법이 세 가지 안전 지표를 모두 0으로 만들었다. 하드플로의 우위는 다른 곳에 있다. 완전 충족 다섯 방법 중 제어 에너지가 0.28로 가장 낮았고 연산시간도 8.3초로 가장 짧았다. Projection-All은 같은 0 충족을 위해 에너지 0.53과 13.6초를 썼다.

텍스트 기반 얼굴 편집은 CelebA-HQ 검증셋에서 무작위로 뽑은 이미지 200장에 프롬프트 다섯 개를 적용하고, CLIP 점수를 비용으로 LPIPS 0.06 이하를 하드 제약으로 건 설정이다. 하드플로만 프롬프트와 이미지 전부에서 100퍼센트 충족을 달성했다. OC-Flow는 3.3퍼센트, Gradient Guidance는 0퍼센트였다. 연산시간 격차는 여기서 가장 컸다. 하드플로 51.294초에 OC-Flow 158.302초와 Gradient Guidance 131.819초다. 하드플로의 CLIP 0.317은 OC-Flow의 0.322에 이어 두 번째지만, OC-Flow는 정체성이 바뀔 만큼 과편집해 제약을 어긴 결과다.

여기서 진짜 신호는 안전율 1.00이 아니라 경로가 짧아졌다는 사실이다

여기서부터는 ASAP의 해석이다. 안전 제약을 강제하는 연구에서 100퍼센트라는 숫자는 흔하다. 제약을 충분히 세게 걸면 안전은 확보되고 품질이 무너지기 때문이다. 표 II에서 Projection-All이 안전율을 0.06에서 0.46으로 올리면서 경로를 58.7스텝에서 67.2스텝으로 늘린 것이 그 전형이다. 안전과 품질을 맞바꾼 것이다.

하드플로의 52.5스텝은 그 교환을 하지 않았다는 뜻이다. 제약을 전혀 고려하지 않은 원본 모델보다 목표에 더 빨리 닿으면서 충돌은 0이다. 이 결과가 가능한 이유는 논문이 제약 충족과 비용 최소화를 같은 최적화 문제에 넣기 때문이다. 투영 방식은 제약만 본다. 궤적을 짧게 만들 유인이 구조적으로 없다.

숫자를 읽을 때 신중해야 할 지점도 분명하다. 첫째, 하드플로가 유일한 완전 충족 방법이었던 것은 로봇 조작과 미로와 얼굴 편집 세 과제이며, 편미분방정식 제어에서는 다섯 방법이 함께 0을 받았다. 둘째, 연산 오버헤드는 과제마다 다르다. 로봇 조작에서는 원본 대비 약 3.2배가 들었고, 얼굴 편집에서는 반대로 모든 비교군보다 빨랐다. 셋째, 모든 실험은 인텔 코어 울트라 9 285K와 엔비디아 지포스 RTX 5090 한 대짜리 데스크톱에서 과제당 50회 시행으로 수행됐다. 연구 규모의 검증이며 현장 가동 기록이 아니다.

투영 방식이 무너진 방식이 이 논문에서 가장 재사용 가치가 큰 부분이다

부록의 두 실험이 본문 표보다 실무에 더 직접적이다. 하나는 후처리 비교다. 연구진은 원본 모델에서 궤적 64개를 뽑아 실현 불가능한 것을 버리고 비용이 가장 낮은 것을 고르는 방식과, 최종 샘플만 고쳐 제약을 맞추는 방식을 각각 구현했다. 둘 다 하드플로보다 크게 나빴는데, 두 번째 실패 방식이 특히 중요하다. 최종 샘플만 최적화하면 계획된 궤적은 제약을 만족하지만 물리적으로 일관되지 않아 로봇이 그대로 실행하지 못하고, 결과적으로 실제 안전율이 떨어진다. 종이 위의 실현 가능성과 현장의 실현 가능성이 다르다는 뜻이다.

다른 하나는 얼굴 편집에서 관찰된 지표 해킹이다. Projection-Relaxed에 Gradient Guidance를 붙인 조합은 LPIPS를 0.026까지 떨어뜨렸다. 요구 조건은 0.06 이하이므로 이 값은 필요 이상으로 낮다. 그 대가로 CLIP 점수는 0.296으로 가장 낮았고, 논문은 수치는 괜찮아 보이는데 출력은 시각적으로 열화된 상태를 지목하며 지표 해킹으로 부른다. 상한 제약을 최소화 목표로 착각하면 생기는 전형적 실패이며, 사내 모델 평가에 상한형 지표를 쓰는 팀이라면 그대로 옮겨 쓸 수 있는 사례다.

세 번째는 SafeFlowMatcher와의 비교다. 제어 장벽 함수 기반 보정을 쓰는 이 동시기 연구는 미로에서는 하드플로와 마찬가지로 완전 안전을 달성했지만, 로봇 조작에서는 안전한 해를 내지 못했다. 논문은 그 이유를 볼록하지 않은 장애물이 여럿이라 실현 가능 집합이 복잡해졌기 때문이라고 적었다. 안전 기법의 성능이 문제의 기하 구조에 따라 갈린다는 점을 같은 저자들이 자기 논문에 남긴 셈이다.

국내 팀이 이 논문에서 당장 가져갈 수 있는 것은 재학습이 필요 없다는 조건이다

하드플로가 국내 로보틱스와 제조 현장에 갖는 의미는 배포 시점에 붙는 기법이라는 점에 있다. MIT 발표문은 이 기법을 사전학습된 생성 모델에 재학습 없이 적용하는 플러그앤플레이 방식으로 설명한다. 자체 모델을 처음부터 학습시킬 여력이 없이 공개 플로 매칭 모델을 가져다 쓰는 조직에게는 이 조건이 도입 가능 여부를 가른다.

실제 통합 작업이 어디에 있는지도 논문이 보여 준다. 사용자가 공급해야 하는 것은 제약 함수와 비용 함수 두 개다. 로봇 조작 실험에서 연구진은 장애물 회피 제약뿐 아니라 상태 전이를 선형 모델로 두고 계수를 학습 데이터에서 최소자승으로 적합해 동역학 제약을 만들었다. 즉 현장 도입의 난이도는 알고리즘이 아니라 자기 설비의 동역학과 안전 규칙을 풀 수 있는 형태로 적는 작업에 있다.

비용 구조도 미리 계산할 수 있다. 로봇 조작 설정에서 하드플로는 재계획 한 번당 0.190초를 썼고 재계획 지평은 8스텝이었다. 반대로 얼굴 편집처럼 샘플링 이산화가 100단계인 무거운 설정에서는 하드플로가 오히려 가장 빨랐는데, 신경망으로 계산되는 제약을 매 단계 투영하는 방식이 계산적으로 불가능해지기 때문이다. 제약이 무거울수록 마지막에만 거는 설계의 상대적 이점이 커진다.

남는 질문은 튜닝 민감도와 규모 확장과 발표 시점 세 가지다

이 논문이 답하지 않은 첫 번째 항목은 정규화 가중치 의존성이다. 부록 표 IX의 민감도 실험은 최적제어 정규화 항 가중치가 기준값의 0.5배에서 10배 사이일 때 안전율 1.00이 유지되지만, 0이거나 0.1배로 너무 작으면 성능이 크게 나빠지고 너무 크면 보수적으로 변해 목표 도달에 걸리는 스텝이 늘어난다고 보고한다. 제어 개입 시점 실험도 마찬가지다. 전체와 초반과 중반 구간에 적용한 세 가지는 완전 안전을 달성했지만, 너무 늦게 개입하면 안전율이 크게 떨어진다. 완전 안전은 튜닝된 설정 위에서 나온 결과다.

두 번째는 규모다. 저자들 스스로 향후 과제로 대규모 텍스트투이미지 생성과 시각 입력 기반의 접촉 많은 조작을 꼽았다. 현재 실험의 이미지 편집은 CelebA-HQ 얼굴 도메인이고 로봇 과제는 2차원 평면이다. 그리고 매 샘플링 단계마다 IPOPT로 비선형 계획을 푸는 구조에서 제약 함수가 복잡해질 때 비용이 어떻게 증가하는지에 대한 곡선은 제시되지 않았다.

세 번째는 시점 해석이다. 이 연구의 arXiv 초판은 2025년 11월 11일에 올라왔고 v3 개정판이 2026년 4월 26일에 나왔으며, TPAMI 게재와 MIT 뉴스 발표가 2026년 9월 14일이다. 이번 주 나온 발견이 아니라 10개월 넘게 공개돼 있던 방법이 학술지 심사를 통과한 시점이라는 뜻이다. 뉴스의 신선도와 아이디어의 신선도를 구분해 읽어야 하며, 그 사이에 SafeFlowMatcher 같은 동시기 연구가 이미 부록 비교 대상으로 들어와 있다.

정리하면 하드플로의 기여는 안전율 100퍼센트라는 숫자가 아니라, 안전을 얻기 위해 품질을 내주는 교환이 필수가 아니었음을 네 개 도메인에서 보인 것이다. 제약을 언제 거느냐를 바꿨을 뿐인데 로봇은 더 빨리 도착했고 편집 이미지는 정체성을 지켰다.

출처: Zeyang Li, Kaveh Alim, Navid Azizan, 'HardFlow: Hard-Constrained Sampling for Flow-Matching Models via Trajectory Optimization'(arXiv:2511.08425 v3, IEEE Transactions on Pattern Analysis and Machine Intelligence 2026년 9월 14일 게재) · MIT News 'New method enables AI for safety-critical situations'(2026년 9월 14일)