SplitGNN: Schnellere und bessere Lösungen für gewichtete MaxSAT-Probleme

Forscher haben SplitGNN vorgestellt, ein neues graphenbasiertes Verfahren, das gewichtete MaxSAT-Probleme effizient löst. Das Modell kombiniert moderne Graph Neural Networks mit einer Co‑Training-Architektur, die sowohl überwachte Nachrichtenübertragung als auch unüberwachtes Lösung‑Boosting nutzt.

Ein zentrales Innovationselement ist der Edge‑Splitting‑Factor‑Graph, der zusätzliche strukturelle Informationen liefert. Er basiert auf der Erzeugung von Spannbäumen und der Klassifizierung von Kanten, wodurch das Netzwerk ein tieferes Verständnis der Problemstruktur erlangt.

Um die Rechenleistung zu maximieren, implementiert SplitGNN eine GPU‑beschleunigte Schicht, die Scores effizient berechnet und eine Relaxations‑basierte Optimierung anwendet. Diese Kombination ermöglicht eine deutlich schnellere Konvergenz.

Die Experimente zeigen, dass SplitGNN die Konvergenz um das Dreifache beschleunigt und bessere Vorhersagen liefert als andere GNN‑basierte Architekturen. Besonders beeindruckend ist, dass es moderne heuristische MaxSAT‑Solver bei großen, schwierigen gewichteten Benchmarks übertrifft und dabei außergewöhnliche Generalisierungsfähigkeiten auf vielfältigen strukturellen Instanzen demonstriert.

SplitGNN stellt damit einen bedeutenden Fortschritt in der KI‑gestützten Lösung von MaxSAT‑Problemen dar und eröffnet neue Perspektiven für komplexe Optimierungsaufgaben in der Praxis.