본 논문은 선형 시스템 해결 속도를 향상시키는 중요한 기법인 행렬 사전 조건화의 매개변수 선택 문제를 다룬다. 기존의 고정된 상수 기반 방식은 특정 시나리오에 의존하고 도메인 전문 지식에 의존하여 개별 문제의 특징을 고려하지 못한다는 한계가 있다. 반면, 머신 러닝 (ML) 기반 방식은 높은 추론 비용과 해석 가능성이 떨어진다는 단점이 있다. 이러한 한계를 극복하기 위해, 본 논문은 사전 조건화 매개변수를 위한 효율적인 기호 표현식을 학습하는 Symbolic Matrix Preconditioning (SymMaP)라는 기호 발견 프레임워크를 제안한다. SymMaP는 신경망을 사용하여 최적 매개변수를 정확하게 예측하는 표현식을 탐색하며, 학습된 표현식은 높은 추론 효율성과 뛰어난 해석 가능성 (간결한 기호 공식으로 표현)을 제공한다. 실험 결과 SymMaP는 다양한 벤치마크에서 기존 전략보다 일관되게 우수한 성능을 보였다.
