针对自旋玻璃基态测试的深度学习启发式方法：更宏观的审视

Stefan Boettcher

doi:10.1038/s41467-023-41106-y

针对自旋玻璃基态测试的深度学习启发式方法：更宏观的审视

无序系统与神经网络 2023-09-22 v2 统计力学人工智能机器学习

作者: Stefan Boettcher

在 arXiv 上查看 ↗ PDF ↗ DOI ↗

摘要

在 Changjun Fan 等人 [Nature Communications https://doi.org/10.1038/s41467-023-36363-w (2023)] 中，作者提出了一种深度强化学习方法来增强组合优化启发式算法。具体而言，他们给出了若干自旋玻璃基态问题的结果，其中非平面网络上的实例通常是 NP-hard 的，并与若干基于蒙特卡洛的方法（如模拟退火 (SA) 或并行回火 (PT)）进行比较。确实，这些结果表明强化学习相对于 SA 或 PT 改善了结果，或者至少在这些启发式算法获得与其他方法相当质量的结果之前缩短了运行时间。为得出其方法“更优”的结论，作者采取了两种基本策略：(1) 调用商业 GUROBI 求解器获取精确基态样本作为比较测试集；(2) 对难以确定精确基态的较大规模实例样本给出启发式算法之间的直接对比。在此，我们将这些研究置于更宏观的背景中，表明所声称的优越性在较小样本中至多微不足道，而在较大样本中相对于真实基态的任何合理近似实际上无关紧要。例如，正如作者所提及的，该方法作为确定 $d>2$ 中刚度指数 $\theta$ 的手段是无关紧要的，因为该问题不仅是 NP-hard 的，而且需要减去两个几乎相等的基态能量，而此处发现的每个约 $1\%$ 的系统性误差都是不可接受的。这一对该方法的宏观认识源于对作者所用自旋玻璃系综的直白有限尺寸修正研究，所用数据已公开数十年。

关键词

自旋玻璃基态深度强化学习组合优化有限尺寸修正刚度指数蒙特卡洛方法

引用

@article{arxiv.2302.10848,
  title  = {Deep reinforced learning heuristic tested on spin-glass ground states: The larger picture},
  author = {Stefan Boettcher},
  journal= {arXiv preprint arXiv:2302.10848},
  year   = {2023}
}

备注

5 pages, 2 figures, comment on arXiv:2109.14411, related information can be found at https://physics.emory.edu/faculty/boettcher/

针对自旋玻璃基态测试的深度学习启发式方法：更宏观的审视

摘要

关键词

引用

备注

相关论文