作者：艾欧娜·帕特林格纳鲁 , 加州大学圣地亚哥分校
加州大学圣地亚哥分校工程师领导的一项研究表明，与最先进的方法相比，基于先进人工智能技术的框架可以更快、更可扩展地解决复杂的计算密集型问题。
在论文中，发表于 自然机器智能 ，研究人员提出了 HypOp，一个使用无监督学习和超图神经网络的框架。该框架能够比现有方法更快地解决组合优化问题。 HypOp 还能够解决某些现有方法无法有效解决的组合问题。
“在这篇论文中，我们解决了解决组合优化问题的艰巨任务，这在科学和工程的许多领域都是至关重要的，”该论文的通讯作者、加州大学圣地亚哥分校电气与计算机工程系博士后学者 Nasimeh Heydaribeni 说。 。她是 Farinaz Koushanfar 教授研究小组的成员，Farinaz Koushanfar 教授是加州大学圣地亚哥分校雅各布斯工程学院机器智能、计算和安全中心的联合主任。东北大学的 Tina Eliassi-Rad 教授也与加州大学圣地亚哥分校团队合作开展该项目。
相对简单的组合问题的一个例子是，计算出在特定仓库储存多少货物以及何种货物，以便在交付这些货物时消耗最少的天然气。
HypOp 可应用于广泛的具有挑战性的现实问题，应用于药物发现、芯片设计、逻辑验证、物流等。这些都是具有广泛变量和约束的组合问题，使得它们极难解决。这是因为在这些问题中，用于寻找潜在解决方案的基础搜索空间的大小相对于问题大小呈指数增长，而不是线性增长。
HypOp 可以通过使用一种新的分布式算法以更可扩展的方式解决这些复杂问题，该算法允许超图上的多个计算单元更有效地一起、并行地解决问题。
HypOp 利用超图神经网络引入新的问题嵌入，超图神经网络比传统图神经网络具有更高阶的连接，可以更好地对问题约束进行建模并更熟练地解决它们。还可以将一个问题的学习迁移到帮助更有效地解决其他看似不同的问题。 HypOp 包括一个额外的微调步骤，这可以找到比现有方法更准确的解决方案。
HypOp 的代码可在此处获取。
下面，加州大学圣地亚哥分校的研究团队通过简短的问答向更广泛的受众详细介绍了本文的研究结果。
您在新闻稿中注意到，HypOp 还从一种类型的问题目标中进行迁移学习，以帮助更有效地解决其他成本函数。对于非技术专家来说，对于这种与人工智能如何帮助研究人员解决问题并做出原本不可能的发现的更大对话相关的现象，还有更多要说的吗？
HypOp 能够从一个问题进行迁移学习以协助解决其他问题，这是人工智能如何在研究和发现中引入范式转变的一个典型例子。这种能力被称为迁移学习，它允许人工智能系统将从解决一个问题中获得的知识委托给具有不同成本函数的新的但相关的问题，从而使它们更加通用和高效。
对于非技术专家，请考虑人类专业知识如何发挥作用。例如，学习钢琴奠定了全面的音乐基础，使学习吉他更快、更有效。可转移技能包括音乐理论知识、阅读能力、节奏理解、手指灵活性和听觉能力。这些技能共同增强了学习体验，让已经知道如何弹钢琴的人更快更好地掌握吉他。相比之下，音乐新手的学习曲线会更长。
人类智能和人工智能之间的这种协同作用增强了研究人员应对复杂、跨学科挑战的能力，并以以前难以想象的方式推动进步。这就是我们对 HypOp 的进步和贡献感到非常兴奋的原因之一。
在许多不同的圈子里，有很多关于使用机器学习和人工智能来帮助研究人员更快地做出发现，甚至做出原本不可能的发现的讨论。对于那些可能不理解你的新论文的所有技术细节的人来说，你认为这种新方法 HypOp 对人工智能如何用于问题解决和研究会有多大影响？
总体概念是学习相关问题结构可以极大地提高组合优化问题的质量和速度。 HypOp 的特殊方法对于影响人工智能在问题解决和研究中的应用方式具有巨大的潜力。通过利用超图神经网络 (HyperGNN)，HypOp 扩展了传统图神经网络的功能，以可扩展地解决高阶约束组合优化问题。这一进步至关重要，因为许多现实世界的问题涉及复杂的约束和相互作用，超出了之前提出的简单的成对关系。
更多信息： Nasimeh Heydaribeni 等人，利用超图神经网络的分布式约束组合优化， 自然机器智能 （2024）。 DOI：10.1038/s42256-024-00833-7
期刊信息： 自然机器智能
由...提供 加州大学圣地亚哥分校
