본 논문은 MiniZinc 제약 프로그래밍 언어로 정의된 문제에 대한 효과적인 스트림라이너를 제안하기 위해 대규모 언어 모델(LLM)을 활용하는 접근 방식을 제시합니다. 스트림라이너는 검색 공간을 좁혀 복잡한 제약 만족 문제의 해결 속도와 실현 가능성을 향상시킵니다. 기존에는 스트림라이너가 수동으로 제작되거나, 원자적 제약을 체계적으로 결합하고 오프라인 테스트를 거쳐 생성되었습니다. 본 연구는 LLM의 창의성을 활용하여 스트림라이너를 제안하고, 빠른 경험적 테스트를 통해 LLM에 피드백을 통합하여 검증합니다. 7개의 다양한 제약 만족 문제에 대한 평가 결과, 상당한 실행 시간 단축을 달성했습니다. 또한, LLM의 기억 의존성을 파악하기 위해 문제의 난독화 및 변형된 버전을 비교하고, 더 긴 오프라인 실행이 스트림라이너의 품질을 향상시키는지, 그리고 LLM이 스트림라이너의 좋은 조합을 제안할 수 있는지 분석합니다.
