MazeNet：用于 Steiner 最小树的高精度、快速且可扩展的深度学习方法
机器学习
2025-04-01 v2
摘要
Obstacle Avoiding Rectilinear Steiner Minimum Tree(OARSMT)问题寻求在rectilinear平面上避开障碍物，寻找给定多个终点的最小互连路径，是集成电路设计、网络优化和机器人路径规划中的关键任务。由于OARSMT为NP难题，精确算法随终点数量而性能恶化，导致实际求解器为大规模问题牺牲精度。我们提出MazeNet，一种基于深度学习的方法从数据中学习解决OARSMT的算法。MazeNet将OARSMT重新表述为迷宫求解问题，可采用循环卷积神经网络(RCNN)解决。MazeNet的一个关键特点是其可扩展性：仅需在少量终点的迷宫上训练RCNN模块，即可通过复制相同的预训练模块创建更大的网络来求解更大的迷宫。经过广泛的实验，MazeNet在OARSMT求解中实现了完美的准确率，显著降低了相对于经典精确算法的运行时间，并且可以处理超过当前最先进近似算法的终点数量。
引用
@article{arxiv.2410.18832,
title = {MazeNet: An Accurate, Fast, and Scalable Deep Learning Solution for Steiner Minimum Trees},
author = {Gabriel Díaz Ramos and Toros Arikan and Richard G. Baraniuk},
journal= {arXiv preprint arXiv:2410.18832},
year = {2025}
}
备注
15 pages, 15 figures