Annealing Machine-assisted Learning of Graph Neural Network for Combinatorial Optimization

要約

アニーリング マシン (AM) は複雑な組み合わせ問題を解決する能力が向上しており、将来予想される完全量子ソリューションの進歩に対するより即時的な代替手段としての地位を確立していますが、依然としてスケーリングの制限があります。
並行して、グラフ ニューラル ネットワーク (GNN) は最近、組み合わせ問題を解決するために採用され、競争力のある結果を示し、分散型の性質により潜在的に高いスケーラビリティを示しています。
我々は、AM が示す精度と GNN の表現の柔軟性とスケーラビリティの両方を維持することを目的としたマージ アプローチを提案します。
私たちのモデルでは、圧縮ステップとそれに続く教師あり相互作用を考慮します。そこでは、AM から取得した部分解を使用してローカル GNN をガイドし、そこからノード特徴表現が取得され結合されて、元のグラフのターゲット問題を処理する追加の GNN ベースのソルバーを初期化します。
直感的には、AM はその知識を GNN に注入することで、組み合わせ問題を間接的に解決できます。
正規最適化問題に関する実験では、このアイデアが実現可能であり、AM が元の制限を超えてサイズの問題を効果的に解決できることが示されました。

要約(オリジナル)

While Annealing Machines (AM) have shown increasing capabilities in solving complex combinatorial problems, positioning themselves as a more immediate alternative to the expected advances of future fully quantum solutions, there are still scaling limitations. In parallel, Graph Neural Networks (GNN) have been recently adapted to solve combinatorial problems, showing competitive results and potentially high scalability due to their distributed nature. We propose a merging approach that aims at retaining both the accuracy exhibited by AMs and the representational flexibility and scalability of GNNs. Our model considers a compression step, followed by a supervised interaction where partial solutions obtained from the AM are used to guide local GNNs from where node feature representations are obtained and combined to initialize an additional GNN-based solver that handles the original graph’s target problem. Intuitively, the AM can solve the combinatorial problem indirectly by infusing its knowledge into the GNN. Experiments on canonical optimization problems show that the idea is feasible, effectively allowing the AM to solve size problems beyond its original limits.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google