تکنیک های پیشرفته مبتنی بر هوش مصنوعی که مسائل پیچیده بهینه سازی ترکیبی را حل می کنند

در مقاله ای که در 30 مه منتشر شد هوش ماشین طبیعتمحققان HypOp را ارائه کردند، چارچوبی که از یادگیری بدون نظارت و شبکه های عصبی هایپرگراف استفاده می کند. این چارچوب قادر است مسائل بهینه سازی ترکیبی را به طور قابل توجهی سریعتر از روش های موجود حل کند. HypOp همچنین قادر به حل مشکلات ترکیبی خاصی است که نمی توان آنها را به طور موثر با روش های قبلی حل کرد.

نسیمه حیدری بنی، نویسنده مقاله و محقق فوق دکتری در دپارتمان مهندسی برق و کامپیوتر UC San Diego گفت: «در این مقاله، ما به کار دشوار پرداختن به مسائل بهینه سازی ترکیبی می پردازیم که در بسیاری از زمینه های علوم و مهندسی اهمیت دارند. . او بخشی از گروه تحقیقاتی پروفسور فریناز کوشانفر است که مرکز هوش ماشینی، محاسبات و امنیت را در دانشکده مهندسی UC San Diego Jacobs اداره می کند. پروفسور تینا الیاسی راد از دانشگاه نورث ایسترن نیز با تیم UC San Diego در این پروژه همکاری کرد.

یک مثال از یک مشکل ترکیبی نسبتا ساده این است که بفهمیم چه تعداد و چه نوع کالایی را در انبارهای خاص ذخیره کنیم تا در هنگام تحویل این کالاها کمترین مقدار گاز مصرف شود.

HypOp را می توان برای طیف گسترده ای از مشکلات چالش برانگیز دنیای واقعی، با برنامه های کاربردی در کشف دارو، طراحی تراشه، تأیید منطق، تدارکات و موارد دیگر اعمال کرد. همه اینها مسائل ترکیبی با طیف گسترده ای از متغیرها و محدودیت ها هستند که حل آنها را بسیار دشوار می کند. به این دلیل که در این مسائل، اندازه فضای جستجوی زیربنایی برای یافتن راه حل های بالقوه به طور تصاعدی افزایش می یابد تا به صورت خطی با توجه به اندازه مسئله.

HypOp می تواند این مسائل پیچیده را با استفاده از یک الگوریتم توزیع شده جدید که به واحدهای محاسباتی متعدد روی هایپرگراف اجازه می دهد تا مشکل را با هم، به صورت موازی و کارآمدتر حل کنند، به شیوه ای مقیاس پذیرتر حل کند.

HypOp برای مدل سازی بهتر محدودیت های مشکل و حل آن ها با مهارت تر، شبکه های عصبی هایپرگراف را که دارای اتصالات مرتبه بالاتری نسبت به شبکه های عصبی گراف سنتی هستند، در قالب مشکل جدید معرفی می کند. HypOp همچنین می تواند یادگیری را از یک مشکل برای کمک به حل مؤثرتر مشکلات به ظاهر متفاوت دیگر منتقل کند. HypOp شامل یک مرحله تنظیم دقیق اضافی است که منجر به یافتن راه حل های دقیق تر از روش های موجود قبلی می شود.

این تحقیق تا حدی توسط وزارت دفاع و دفتر تحقیقات ارتش با بودجه پروژه MURI AutoCombat و موسسه TILOS AI با بودجه NSF تامین شد.