EnerGNN框架发布并获NeurIPS 2026接收

研究团队Niki Triantafyllou和Maria M. Papathanasiou发布论文，正式提出EnerGNN框架。该模型旨在解决约束组合推理问题，通过构建学习优化兼容的能量函数，为后续的高效推理奠定基础。 EnerGNN架构采用图神经网络编码器与非线性能量头，利用混合整数规划（MIP）在显式硬约束下进行最小化求解。在基准测试中，该模型实现了100%的可行性，并获得了接近最优的解，验证了其精确推理的能力。 在供应链优化问题上，EnerGNN展现出显著的效率优势，实现了17.4倍的加速，且平均原始间隙仅为0.05%。此外，该框架支持零样本约束注入，无需重新训练即可适应变化的约束条件，同时保持了解的可行性，目前已被NeurIPS 2026接收。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。