人工智能指导的现实问题非线性优化，Meta AI Yuandong Tian

有效地解决现实世界中的优化问题仍然是一个非常重要的挑战。特别是，如何处理高度非凸且评估速度慢/成本高的目标?如何利用已解决的实例来加速未见过实例的优化?如何利用人工智能和现有求解器的力量?在这次演讲中，我们介绍了两个最近的工作。首先，对于具有组合约束的非凸目标，本文提出SurCo，用神经网络学习代理线性成本，使学到的成本可以导致原始目标的解决方案。SurCo利用了之前的实例和现有的SoTA求解器，并在现实世界的应用中表现出强大的性能，如嵌入表分片和逆光子设计。其次，对于特定目标，如线性偏微分方程的频率响应，通常评估缓慢，本文提出CZP，利用响应的解析参数形式，可以用transformer学习。在以频率响应非线性函数为目标的天线设计中，CZP具有较好的精确性。通过强化学习，CZP可用于寻找可被商业软件验证的有效设计。