Расширение передовых методов на основе искусственного интеллекта для решения сложных задач комбинаторной оптимизации.

Согласно исследованию, проведенному инженерами Калифорнийского университета в Сан-Диего, платформа, основанная на передовых методах искусственного интеллекта, может решать сложные, требующие больших вычислительных затрат задачи быстрее и более масштабируемо, чем самые современные методы.

В статье, опубликованной в Природа Машинный интеллектИсследователи представляют HypOp, структуру, которая использует обучение без учителя и нейронные сети с гиперграфами. Фреймворк способен решать задачи комбинаторной оптимизации значительно быстрее, чем существующие методы. HypOp также способен решать определенные комбинаторные задачи, которые не могут быть решены столь же эффективно предыдущими методами.

«В этой статье мы решаем сложную задачу решения проблем комбинаторной оптимизации, которые имеют первостепенное значение во многих областях науки и техники», — сказал Насиме Хейдарибени, автор-корреспондент статьи и научный сотрудник факультета электротехники и вычислительной техники Калифорнийского университета в Сан-Диего. . Она входит в исследовательскую группу профессора Фариназа Кушанфара, который является соруководителем Центра машинного интеллекта, вычислений и безопасности Инженерной школы Джейкобса Калифорнийского университета в Сан-Диего. Профессор Тина Элиасси-Рад из Северо-Восточного университета также сотрудничала с командой Калифорнийского университета в Сан-Диего в этом проекте.

Одним из примеров сравнительно простой комбинаторной задачи является выяснение того, сколько и каких товаров хранить на конкретных складах, чтобы при доставке этих товаров расходовать наименьшее количество газа.

HypOp может применяться для решения широкого спектра сложных реальных проблем, включая разработку лекарств, проектирование чипов, проверку логики, логистику и многое другое. Все это комбинаторные задачи с широким набором переменных и ограничений, которые чрезвычайно затрудняют их решение. Это связано с тем, что в этих задачах размер основного пространства поиска для поиска потенциальных решений увеличивается экспоненциально, а не линейно по отношению к размеру проблемы.

HypOp может решать эти сложные проблемы более масштабируемо, используя новый распределенный алгоритм, который позволяет нескольким вычислительным блокам на гиперграфе решать проблему вместе, параллельно и более эффективно.

HypOp представляет новое встраивание проблем с использованием нейронных сетей гиперграфов, которые имеют связи более высокого порядка, чем традиционные нейронные сети графов, для лучшего моделирования ограничений проблемы и более эффективного их решения. также может перенести полученные знания из одной проблемы, чтобы помочь более эффективно решить другие, казалось бы, разные проблемы. HypOp включает в себя дополнительный этап тонкой настройки, который приводит к поиску более точных решений, чем существующие ранее методы.

Код для HypOp доступен здесь.

Ниже исследовательская группа Калифорнийского университета в Сан-Диего в этой статье представляет результаты для более широкой аудитории с помощью коротких вопросов и ответов.

В пресс-релизе вы отмечаете, что HypOp также переносит обучение на основе задач одного типа, чтобы помочь более эффективно решать другие функции затрат. Есть ли что-нибудь, что можно сказать об этом явлении нетехническому эксперту, имеющему отношение к более широкому разговору о том, как ИИ дает исследователям возможность решать проблемы и делать открытия, которые в противном случае были бы невозможны?

Способность HypOp переносить обучение на основе одной проблемы, чтобы помочь в решении других, является ярким примером того, как ИИ может изменить парадигму исследований и открытий. Эта возможность, известная как трансферное обучение, позволяет системам ИИ переносить знания, полученные в результате решения одной проблемы, на новые, но связанные проблемы с другой функцией затрат, что делает их более универсальными и эффективными.

Для нетехнических экспертов подумайте, как работает человеческий опыт. Например, изучение игры на фортепиано создает комплексную музыкальную основу, которая делает обучение игре на гитаре более быстрым и эффективным. Передаваемые навыки включают знание теории музыки, умение читать, понимание ритма, ловкость пальцев и слуховые способности. В совокупности эти навыки улучшают процесс обучения и приводят к более быстрому и лучшему овладению гитарой для тех, кто уже умеет играть на фортепиано. Для сравнения, начинающему студенту-музыканту придется гораздо дольше учиться.

Эта синергия между человеческим интеллектом и искусственным интеллектом расширяет возможности исследователей решать сложные междисциплинарные проблемы и стимулировать прогресс способами, которые ранее были невообразимы. Это одна из причин, почему мы очень рады достижениям и вкладу HypOp.

В самых разных кругах ведется много разговоров об использовании машинного обучения и искусственного интеллекта, чтобы помочь исследователям быстрее делать открытия или даже делать открытия, которые в противном случае были бы невозможны. Насколько влиятельным, по вашему мнению, окажет новый подход HypOp для людей, которые могут не понимать всех технических деталей вашей новой статьи с точки зрения использования ИИ в решении проблем и исследованиях?

Общая концепция заключается в том, что изучение соответствующей структуры задачи может значительно повысить качество и скорость решения задач комбинаторной оптимизации. Особая методология HypOp обладает значительным потенциалом влияния на то, как ИИ применяется при решении проблем и исследованиях. Используя нейронные сети с гиперграфами (HyperGNN), HypOp расширяет возможности традиционных нейронных сетей на графах для масштабируемого решения задач комбинаторной оптимизации высшего порядка с ограничениями. Это достижение имеет решающее значение, поскольку многие реальные проблемы включают в себя сложные ограничения и взаимодействия, выходящие за рамки простых парных отношений, которые были предложены ранее.

Код для HypOp доступен в Интернете. Ожидаете ли вы, что люди сразу же начнут использовать этот код для решения задач комбинаторной оптимизации? Или еще предстоит проделать дополнительную работу, прежде чем люди смогут начать использовать код?

Да, люди могут сразу начать использовать открытый исходный код HypOp для решения крупномасштабных задач комбинаторной оптимизации.

Какие проблемы, которые не могут решить другие методы, способен решить HypOp?

HypOp может решать крупномасштабные задачи оптимизации с помощью общих целевых функций и ограничений. Большинство существующих решателей могут решать проблемы только с конкретными целевыми функциями, такими как линейные или квадратичные функции, и могут моделировать только парные ограничения. Более того, HypOp использует методы распределенного обучения, что позволяет масштабировать его для решения серьезных проблем.

Каковы следующие шаги в области исследования HypOp?

Мы сосредоточены на расширении возможностей обобщения и масштабируемости HypOp. Мы делаем это, разрабатывая другие передовые методы искусственного интеллекта, которые способны учиться на решении небольших проблем и обобщать их на более крупные случаи.