Matematik dünyasında optimizasyon problemleri, en iyi çözümü bulma arayışının temelini oluşturur. Araştırmacılar, özellikle kompozisyon ve tensör tren yapısına sahip polinom optimizasyon problemleri için iki yenilikçi yaklaşım geliştirdi.
Bu yeni yöntemler, karmaşık problemleri bir dizi basit harita olarak değerlendirerek, ana boyuttan daha düşük boyutlu ara değişkenler yaratıyor. Bu 'durum' adı verilen ara değişkenler sayesinde, dinamik sistemler, Markov zincirleri ve sinir ağlarında doğal olarak ortaya çıkan yapılar daha etkin şekilde işlenebiliyor.
Geliştirilen iki moment-SOS (kareler toplamı) hierarşisi farklı stratejiler kullanıyor. İlki 'durum-yükseltme kordal' olarak adlandırılan yöntem, problemin korelasyon seyreklik grafiğine dayanırken, ikincisi 'durum-yükseltme itme-ileri' yaklaşımı yapıyı doğrudan ölçüm düzeyinde kodluyor.
Sayısal deneyler, bu yöntemlerin yüzlerce hatta bin değişkenli problemler için sertifikalı sınırlar hesaplayabildiğini gösteriyor. Araştırmacılar, yöntemlerinin çok yönlülüğünü Markov zinciri optimizasyonu ve kuantum optimal kontrole uygulayarak kanıtladı.
Bu gelişme, makine öğrenmesi algoritmalarının optimizasyonundan kuantum hesaplamaya kadar geniş bir yelpazede uygulanma potansiyeline sahip.