过去的2021年图神经网络头部应用5大领域(2)

组合优化（Combinatorial Optimization）

组合优化（CO）问题的解决方案是金融，物流，能源，生命科学和硬件设计中许多重要应用程序的主力军。这些问题大多数都是用图表来表述的。结果，在过去的一个世纪中，大量的时间被投入到可以更有效地解决CO问题的算法方法上。然而，机器学习驱动的现代计算革命为学习解决此类问题的方法提供了一种引人注目的新方法。

Google Brain团队使用GNN优化了新硬件（例如Google的TPU）的芯片块的功率，面积和性能。可以将计算机芯片划分为内存和逻辑组件的图形，每个图形均由其坐标和类型表示。在遵守密度和布线拥塞的限制的同时，确定每个组件的位置是一项费力的过程，这仍然是电气工程师的工作。他们的GNN模型与策略和价值RL功能结合在一起，能够为匹配或优于手动设计的硬件的电路芯片生成优化的布局。

与Chess and Go相比，Chip Placement问题的复杂性

另一种方法采用不同的途径，并将ML模型集成到现有求解器中。例如，Gasse等提出了一种图网络，用于学习分支和边界变量选择策略：混合整数线性程序（MILP）求解器中的关键步骤。这样，学习到的表示试图使求解器的运行时间最小化，并已证明是推理时间与决策质量之间的良好折衷。

在DeepMind和Google的最新工作中，图形网用于MILP求解器中涉及的两个关键子任务：联合变量分配和限制目标值。他们的神经网络方法比包括Google生产包装和计划系统在内的庞大数据集的现有求解器快2–10倍。有关此主题的更多结果，你可以参考几个最近的调查是讨论GNNS，ML，和CO的更深度的结合。

计算机视觉

由于世界上的对象之间有着深深的联系，因此包含这些对象的图像也可以从GNN中受益。感知图像的一种方法是通过场景图，即场景中存在的一组对象以及它们之间的关系。场景图已在图像检索，理解和推理，字幕，视觉问题解答以及图像生成中得到了应用，表明它可以极大地提高模型的性能。