XiaoMi-AI文件搜索系统
World File Search SystemGorithmic
nn-Steiner：一种与直线施托纳最小树问题的混合神经算法方法
最近几年见证了使用神经网络来解决组合优化概率的快速进步。尽管如此，设计可以有效处理给定优化问题的“正确”神经模型可能具有挑战性，而且通常没有理论上的理解或对所得神经模型的理由。在本文中，我们专注于直线施剂最小树（RSMT）问题，这在IC布局设计中至关重要，因此吸引了VLSI文献中的许多启发式方法。我们的贡献是两个方面。在方法论方面，我们提出了NN-Steiner，这是一种用于计算RSMT的新型混合神经偏金属框架，该框架利用Arora的著名PTAS算法框架来解决此问题（以及其他几何优化问题）。我们的nn-Steiner用合适的神经成分代替了Arora PTA中的关键al-grolithmic成分。特别是，NN-Steiner仅需要四个神经网络（NN）组件，这些组件在算法框架内反复称为。至关重要的是，四个NN组件中的每个组件中的每个组件仅具有限制的尺寸，独立于Intop尺寸，因此易于训练。此外，随着NN组合正在学习一个通用的算法步骤，一旦学会了，因此所产生的混合神经 - 算象框架一般 - 在培训中看不到的更大实例。据我们所知，我们的nn-Steiner是有限尺寸的第一个神经体系结构，具有大约解决RSMT（和变体）的能力。在经验方面，我们展示了如何通过与最先进的方法（包括神经和非神经性的）相比，如何实现NN-Steiner，并证明我们所产生的方法的有效性，尤其是在一代化方面。