先进的基于人工智能的技术扩大解决复杂组合优化问题

加州大学圣地亚哥分校工程师领导的一项研究表明，基于先进人工智能技术的框架可以比最先进的方法更快、更可扩展地解决复杂、计算密集型的问题。

在这篇发表在《自然机器智能》上的论文中，研究人员介绍了HypOp，这是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还能够解决某些以前方法无法有效解决的组合问题。

“在这篇论文中，我们解决了许多科学和工程领域中至关重要的组合优化问题这一难题，”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NasimehHeydaribeni说道。她是FarinazKoushanfar教授研究小组的成员，后者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TinaEliassi-Rad教授也与加州大学圣地亚哥分校团队合作完成了这个项目。

一个相对简单的组合问题的例子是确定在特定仓库中储存多少和哪种货物以便在运送这些货物时消耗最少的汽油。

HypOp可以应用于各种具有挑战性的现实问题，包括药物发现、设计、逻辑验证、物流等。这些都是组合问题，具有广泛的变量和约束，因此极难解决。这是因为在这些问题中，寻找潜在解决方案的底层搜索空间的大小会随着问题规模呈指数增长，而不是线性增长。

HypOp可以使用一种新的分布式算法，以更具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以并行、更高效的方式一起解决问题。

HypOp引入了新的问题嵌入，利用超图神经网络(与传统图神经网络相比，超图神经网络具有更高阶的连接)，更好地对问题约束进行建模并更有效地解决问题。还可以将一个问题的学习转移到帮助更有效地解决其他看似不同的问题。HypOp包含一个额外的微调步骤，从而可以找到比以前现有方法更准确的解决方案。

HypOp的代码可在此处获得。

下面，加州大学圣地亚哥分校的这篇论文的研究小组通过简短的问答形式向更广泛的受众阐述了研究结果。

您在新闻稿中指出，HypOp还可以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，关于这种现象还有什么话要说，与更广泛的讨论有关，即人工智能如何帮助研究人员解决问题并做出原本不可能实现的发现?

HypOp能够从一个问题迁移学习，以帮助解决其他问题，这是AI如何为研究和发现带来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AI系统将从解决一个问题中获得的知识转移到具有不同成本函数的新相关问题上，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的工作原理。例如，学习钢琴可以打下全面的音乐基础，使学习吉他更快、更有效。可转移的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，并让已经会弹钢琴的人更快、更好地掌握吉他。相比之下，音乐新手的学习曲线要​​长得多。

人类智能与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，并以以前无法想象的方式推动了进步。这就是我们对HypOp的进步和贡献感到非常兴奋的原因之一。

许多不同圈子都在讨论使用机器学习和人工智能来帮助研究人员更快地发现新事物，甚至发现原本不可能发现的东西。对于那些可能不了解您新论文的所有技术细节的人来说，您认为这种新方法HypOp对人工智能在解决问题和研究中的应用有多大影响?

总体概念是，学习相关问题结构可以大大提高组合优化问题的质量和速度。HypOp的特殊方法具有巨大的潜力，可以影响AI在问题解决和研究中的应用方式。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，可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交互，超出了之前提出的简单成对关系。