연구진은 다중 홉 질문에 적합한 증거 선택을 위해 QUBO(Quadratic Unconstrained Binary Optimization) 문제를 활용하는 새로운 방법론을 제시했어요. 이 방법은 관련성, 요구사항 커버리지, 지원 강도, 중복성 회피 등 다양한 요소를 균형 있게 고려하여 증거 집합을 선택해요.
기존 LLM 기반 선택 방식의 비용 및 확장성 문제를 해결하기 위해, QUBO 최적화 기법을 적용하여 증거 선택 과정을 구조화했어요. 이를 통해 LLM은 의미론적 답변 생성에 집중하고, 증거 선택은 Ising/QUBO 호환 솔버가 담당하도록 분리했어요.
HotpotQA 데이터셋에서 LLM 기반 선택 방식 및 BM25, 최대 주변 관련성 등 다양한 기준선과 비교한 결과, QUBO 선택 방식은 경쟁력 있는 정확 일치 및 토큰 F1 성능을 달성했어요.