近日，国防科技大学系统工程学院刘忠教授课题组与哈佛大学、加州大学洛杉矶分校以及圣路易斯华盛顿大学相关课题组合作，首次提出了一种深度强化学习的方法高效求解伊辛模型的基态。研究成果以“基于深度强化学习寻找伊辛模型的基态”（Searching for spin glass ground states through deep reinforcement learning）为题于2月9日在线发表在国际顶级期刊《自然-通讯》（Nature Communications）上。（DOI: 10.1038/s41467-023-36363-w）

求解伊辛模型基态的深度强化学习框架

伊辛模型在统计物理学中有着广泛应用，也是复杂系统研究的经典模型之一，有助于研究广泛存在于自然、社会、人工复杂系统中的临界现象。2021年的诺贝尔物理学授予了罗马大学的Giorgio Parisi教授，以表彰他在复杂系统领域的研究，其中就包括他给出了伊辛模型基态在二维条件下的精确求解方法。然而，在三维乃至更高维的条件下，伊辛模型基态求解问题是已被证明是NP-complete的组合优化问题，现有方法的求解质量依然很难保证。该研究提出了一种基于深度强化学习的高维伊辛模型基态的高效近似求解方法，将该组合优化问题的求解转化为序列决策的问题，利用图神经网络模型捕捉伊辛模型的晶格特征和节点间的长程相互关联，在不依赖人类专家经验的前提下，只通过数据驱动的方式自主学习最优解求解策略。相关成果对计算复杂性、运筹优化和复杂系统等相关领域的研究均有重要的指导意义。

图神经网络编码器结构设计

国防科技大学系统工程学院范长俊副教授为论文第一作者，系统工程学院为第一完成单位。该研究得到了国家自然科学基金等项目的资助。