[論文レビュー] Tensor Network Generator-Enhanced Optimization for Traveling Salesman Problem

Ryo Sakai, Chen-Yu Liu|arXiv (Cornell University)|Feb 12, 2026

Tensor decomposition and applications被引用数 0

ひとこと要約

TN-GEO は自己回帰マスキングを備えたテンソルネットワーク Born マシンを用いて有効な tsp ツアーを生成し、ソフトマックス加重 GEO によって最適化することで、TSPLIB の都市数が最大 52 の場合に古典ヒューリスティクスを上回る。

ABSTRACT

We present an application of the tensor network generator-enhanced optimization (TN-GEO) framework to address the traveling salesman problem (TSP), a fundamental combinatorial optimization challenge. Our approach employs a tensor network Born machine based on automatically differentiable matrix product states (MPS) as the generative model, using the Born rule to define probability distributions over candidate solutions. Unlike approaches based on binary encoding, which require $N^2$ variables and penalty terms to enforce valid tour constraints, we adopt a permutation-based formulation with integer variables and use autoregressive sampling with masking to guarantee that every generated sample is a valid tour by construction. We also introduce a $k$-site MPS variant that learns distributions over $k$-grams (consecutive city subsequences) using a sliding window approach, enabling parameter-efficient modeling for larger instances. Experimental validation on TSPLIB benchmark instances with up to 52 cities demonstrates that TN-GEO can outperform classical heuristics including swap and 2-opt hill-climbing. The $k$-site variants, which put more focus on local correlations, show better results compared to the full-MPS case.

研究の動機と目的

• 組合せ最適化、特に TSP に対する量子に触発されたテンソルネットワークの利用を動機づける。
• 二項エンコーディングとペナルティ項を避ける置換精度の生成モデルを開発する。
• スライディングウィンドウを用いた局所的 k-gram を効率的にモデル化し、スケーラブルな学習を可能にする k-site MPS 変種を導入する。
• GEO を温度スケジューリングと統合し、解の分布を反復的に洗練させる。
• TSPLIB 実例に対して TN-GEO を古典的ヒルクライミング heuristics と経験的に比較評価する。

提案手法

• TSP ツアーを x1,...,xN の N 個の整数都市インデックスの列として表現する。各 xk は {0,...,N-1} に属する。
• Born 法則により P(x) を表現する MPS Born マシンを用い、自己回帰マスキングで有効なツアーを保証してサンプルを取る。
• Finite-temperature のソフトマックスターゲット分布をツアーコストに基づく形で一致させることにより Generator-Enhanced Optimization (GEO) を用いて訓練し、指数的温度スケジューリングを行う。
• 受容サンプリングなしで置換制約を課す自己回帰サンプリング手順を採用する。
• スライディングウィンドウを用いて k-gram（局所部分列）分布を学習する k-site MPS 変種を導入し、パラメータ効率の高いモデリングを実現する。
• 自動微分（AD）を用いて MPS を訓練し、DMRG 型の更新と比較する。

実験結果

リサーチクエスチョン

• RQ1 置換ベースの MPS Born マシンはペナルティ項なしで有効な TSP ツアーを効率的に生成できるか。
• RQ2 温度スケジューリング付き GEO は TSP に対して古典ヒルクライミング heuristic を上回るか。
• RQ3 ボンド次元は TN-GEO のサンプル品質と最適化結果にどのような影響を与えるか。
• RQ4 中間的な k-site MPS（k < N）は TSP における表現力と計算効率の良好なトレードオフを提供するか。
• RQ5 TSPLIB の実例（最大 ~50 都市）で TN-GEO のスケーリング特性はどうか。

主な発見

Instance	Swap	2-opt	k=2	k=4	k=8	full
burma14	7.1%	3.76%	0%	0%	0%	0%
ulysses16	0.933%	0.787%	0%	0%	0%	0%
ulysses22	21.6%	1.47%	0%	0%	0%	0%
att48	26.7%	3.45%	6.67%	0%	0%	6.13%
eil51	30%	4.93%	3.05%	0%	0%	3.99%
berlin52	29.3%	16.5%	3.9%	0%	0%	4.18%

• 自己回帰マスキングを備えた TN-GEO は破棄サンプリングなしで構築的に有効なツアーを生成する。
• ボンド次元を増やすと MPS がソフトマックスターゲット分布を近似し、短いツアーをサンプルする能力が向上する。
• 小規模な実例では TN-GEO は最適ツアーと同等かそれを超える。大規模な実例では k-site 変種（k=4 または k=8）が一貫して最適ツアーに到達し、swap と 2-opt のベースラインを上回る。
• 適度な k-site モデルは表現力と効率のバランスを取り、完全な MPS や低い表現力を持つ k=2 モデルよりも複数の TSPLIB 実例で優れている。
• TSPLIB 実例（14–52 都市）では TN-GEO with k=2, k=4, k=8 がいくつかの小〜中規模実例で 0% ギャップを達成し、古典的ヒルクライミング法を上回る。大型実例（att48, eil51, berlin52）では k=4 と k=8 が最適ツアーを達成する一方、完全 MPS は時に苦戦する。
• 局所的な k-gram の相関がほぼ最適付近の TSP ツアーを決定づけると示唆され、制約付きの表現力が GEO 内の探索を改善する可能性がある。