⚛️ quantum physics

Tensor-Network Formulation of the Traveling Salesman Problem and Variants

यह शोध पत्र ट्रैवलिंग सेल्समैन प्रॉब्लम और इसके वेरिएंट्स के लिए एक टेंसर-नेटवर्क फॉर्मूलेशन पेश करता है जो एक अनुक्रमिक मार्जिनल नियम के माध्यम से इष्टतम टूर की पहचान करने के लिए बोल्ट्ज़मैन-वेटेड लेयर्स और काउंटिंग फिल्टर्स का उपयोग करता है, जो विशेष क्लासिकल सॉल्वर के बेहतर विकल्प के बजाय छोटे पैमाने के औद्योगिक अनुप्रयोगों के लिए एक ह्यूरिस्टिक के रूप में कार्य करता है।

मूल लेखक: Alejandro Mata Ali, Iñigo Perez Delgado, Aitor Moreno Fdez. de Leceta

प्रकाशित 2026-05-18

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Alejandro Mata Ali, Iñigo Perez Delgado, Aitor Moreno Fdez. de Leceta

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

एक बड़ी तस्वीर: एक नए तरह के कैलकुलेटर के साथ "ट्रैवलिंग सेल्समैन" पहेली को सुलझाना

कल्पना कीजिए कि आप एक घुमक्कड़ सेल्समैन हैं। आपके पास 10, 20, या यहाँ तक कि 100 शहरों का एक नक्शा है। आपको हर एक शहर में ठीक एक बार जाना है और वापस घर लौटना है, लेकिन आप चाहते हैं कि आप कम से कम दूरी तय करें ताकि पेट्रोल और समय बच सके। यह प्रसिद्ध ट्रैवलिंग सेल्समैन प्रॉब्लम (TSP) है।

समस्या यह है कि जैसे-जैसे आप शहरों की संख्या बढ़ाते हैं, संभावित रास्तों की संख्या बहुत तेजी से बढ़ती जाती है। यह एक ढेर में से सही चाबी खोजने जैसा है, जहाँ चाबियों का ढेर इतनी तेजी से बढ़ता है कि हर एक को चेक करने में ब्रह्मांड की आयु से भी अधिक समय लग जाएगा। यही कारण है कि कंप्यूटर इसके साथ संघर्ष करते हैं।

यह पेपर टेन्सर नेटवर्क (Tensor Networks) का उपयोग करके इस समस्या से निपटने का एक नया तरीका पेश करता है। टेन्सर नेटवर्क को एक कंप्यूटर प्रोग्राम के रूप में नहीं, बल्कि एक विशाल, बहु-स्तरीय फिल्टर सिस्टम के रूप में सोचें।

उपमा: "सोने की धूल" छानने वाली छलनी

कल्पना कीजिए कि आपके पास रेत की एक विशाल बोरी है जिसमें सोने की धूल मिली हुई है।

रेत: खराब, लंबे और अक्षम रास्तों का प्रतिनिधित्व करती है।
सोना: आदर्श, सबसे छोटे रास्ते का प्रतिनिधित्व करता है।
लक्षत: आप हर एक कण को व्यक्तिगत रूप से देखे बिना सोने को रेत से अलग करना चाहते हैं।

लेखकों ने यह मशीन (टेन्सर नेटवर्क) बनाई है:

प्रारंभिक मिश्रण (सुपरपोजिशन): सबसे पहले, मशीन एक "सुपरपोजिशन" बनाती है। कल्पना कीजिए कि यह जादुई रूप से एक ही समय में हर संभव रास्ते की एक प्रति बनाती है। यह ऐसा है जैसे आपके लाखों अलग-अलग संस्करण हों, जिनमें से प्रत्येक एक अलग रास्ता ले रहा हो।
वेटिंग (गर्मी/तापमान): इसके बाद, मशीन एक "तापमान" ( $\tau$ $τ$ ) लागू करती है। इसे एक हीट लैंप की तरह समझें।
- लंबे, अक्षम रास्ते (रेत) गर्म होकर हल्के हो जाते हैं और गायब हो जाते हैं।
- छोटे, कुशल रास्ते (सोना) ठंडे और भारी रहते हैं।
- मशीन गणित (बोल्ट्ज़मैन फैक्टर्स) का उपयोग करती है ताकि बुरे रास्ते अच्छे रास्तों की तुलना में तेजी से गायब हो जाएं।
फिल्टर (नियम): यह सबसे महत्वपूर्ण हिस्सा है। आप कोई भी रास्ता नहीं ले सकते; आप एक ही शहर में दो बार नहीं जा सकते। लेखकों ने विशेष काउंटिंग फिल्टर्स (Counting Filters) बनाए।
- कल्पना कीजिए कि हर शहर पर एक सुरक्षा गार्ड है। यदि कोई यात्री उस शहर में जाने की कोशिश करता है जहाँ वह पहले ही जा चुका है, तो गार्ड उस विशिष्ट रास्ते पर दरवाजा बंद कर देता है।
- ये फिल्टर्स "स्पार्स" (sparse) हैं, जिसका अर्थ है कि वे हर संभावना को मैन्युअल रूप से जांचे बिना गलत रास्तों को रोकने में बहुत कुशल हैं।
परिणाम (मार्जनल): गर्मी और फिल्टर से गुजरने के बाद, मशीन सब कुछ निचोड़ देती है। यह पूछती है, "यदि मैं पहले शहर को देखूँ, तो कौन सा शहर जीतने वाले रास्ते का हिस्सा होने की सबसे अधिक संभावना रखता है?" यह उस एक को चुनती है, उसे लॉक करती है, और फिर दूसरे शहर के लिए यही प्रक्रिया दोहराती है, और इसी तरह पूरा रास्ता बनाया जाता है।

उन्होंने वास्तव में क्या किया (प्रयोग)

लेखकों ने यह दावा नहीं किया कि यह तरीका हर समस्या को तुरंत हल करने वाला कोई जादुई हथियार है। वे अपनी सीमाओं के बारे में बहुत ईमानदार थे।

छोटे परीक्षण: उन्होंने छोटे नक्शों (5 से 12 शहरों) पर अपने तरीके का परीक्षण किया।
कैलिब्रेशन (अंशांकन): उन्होंने पाया कि "तापमान" सेटिंग ( $\tau$ ) अत्यंत महत्वपूर्ण है। यदि यह बहुत कम है, तो बुरे रास्ते पर्याप्त रूप से गायब नहीं होते। यदि यह बहुत अधिक है, तो कंप्यूटर गणितीय त्रुटियों से भ्रमित हो जाता है। उन्हें प्रत्येक मानचित्र के आकार के लिए इस सेटिंग को सावधानीपूर्वक ट्यून करना पड़ा।
परिणाम:
- जब उन्होंने सेटिंग्स को पूरी तरह से ट्यून किया, तो उनके तरीके ने इन छोटे नक्शों पर लगभग 95% बार सटीक रास्ता खोज लिया।
- जब उन्होंने मानक कंप्यूटर तरीकों (जैसे "ग्रीडी" या "सिमुलेटेड एनीलिंग") के साथ तुलना की, तो उनका तरीका अक्सर सटीक रास्ता खोजने में बेहतर था।
- हालाँकि, उन्होंने स्वीकार किया कि बहुत बड़े नक्शों के लिए, गणित अभी भी बहुत भारी (एक्सपोनेंशियल कॉम्प्लेक्सिटी) हो जाता है, ठीक पुराने तरीकों की तरह। यह कोई "पॉलीनोमियल टाइम" चमत्कार नहीं है; यह बस गणित करने का एक अलग, बहुत व्यवस्थित तरीका है।

वास्तविक दुनिया का परीक्षण: जॉब रीअसाइनमेंट (कार्य पुनर्नियुक्ति) समस्या

यह देखने के लिए कि क्या यह सिद्धांत से बाहर काम करता है, उन्होंने ONCE (दृष्टिबाधितों के लिए एक स्पेनिश संस्था) के लिए एक वास्तविक औद्योगिक समस्या पर इसे लागू किया।

समस्या: उनके पास श्रमिकों को कार्यों पर नियुक्त किया गया था और कुछ खाली पद भी थे। उन्हें यह देखने की आवश्यकता थी कि क्या किसी श्रमिक को नए कार्य पर स्थानांतरित करने से पूरी टीम की उत्पादकता बढ़ेगी।
ट्विस्ट: यह बिल्कुल "ट्रैवलिंग" समस्या नहीं है, लेकिन यह समान है: आपको बिना डबल-बुकिंग किए अद्वितीय लोगों को अद्वितीय कार्य सौंपने हैं।
परिणाम: उन्होंने अपने टेन्सर नेटवर्क तरीके की तुलना दो अन्य शक्तिशाली उपकरणों (एक क्वांटम एनीलर और एक डिजिटल एनीलर) से की।
- कुल उत्पादकता लाभ के मामले में परिणाम समान थे।
- एकमात्र अंतर "टाई-ब्रेकिंग" स्थितियों में था जहाँ दो विकल्प गणितीय रूप से समान थे; मशीनों ने बस अलग-अलग विकल्पों को रैंडमली चुना।
- निष्कर्ष: इसने साबित कर दिया कि यह तरीका वास्तविक दुनिया में काम करता है और इसे औद्योगिक सॉफ्टवेयर में एकीकृत किया जा सकता है, भले ही यह इस विशिष्ट कार्य में विशेषज्ञ उपकरणों को नहीं हरा सका हो।

मुख्य निष्कर्ष (द बॉटम लाइन)

यह पेपर रूटिंग और असाइनमेंट पहेलियों को हल करने के लिए एक नया गणितीय टूलकिट प्रस्तुत करता है।

अच्छी बात: यह जटिल नियमों (जैसे "एक ही शहर में दो बार न जाएँ") को संभालने का एक बहुत ही स्पष्ट, मॉड्यूलर तरीका प्रदान करता है और छोटी समस्याओं पर सटीक समाधान खोज सकता है। यह एक अत्यधिक संगठित, नियम-पालन करने वाले सहायक की तरह है जो बाधाओं की जाँच करने में कभी नहीं थकता।
बुरी बात: यह बड़ी समस्याओं को जादुई रूप से आसान नहीं बनाता है। जैसे-जैसे समस्या बढ़ती है, गणित अभी भी घातीय रूप से कठिन (exponentially harder) होता जाता है। इसे अच्छी तरह से काम करने के लिए सावधानीपूर्वक ट्यूनिंग (कैलिब्रation) की आवश्यकता होती है।
सीख: यह इन समस्याओं के बारे में सोचने का एक शक्तिशाली नया तरीका है और विशिष्ट, छोटे स्तर के औद्योगिक कार्यों के लिए एक ठोस उपकरण है, लेकिन यह अभी तक सभी मौजूदा सुपर-फास्ट सॉल्वर का विकल्प नहीं है।

संक्षेप में: उन्होंने एक परिष्कृत छलनी बनाई है जो बुरे रास्तों को छान सकती है और सबसे अच्छा रास्ता खोज सकती है, लेकिन आपको सोना पाने के लिए अभी भी इसे सही सेटिंग्स देनी होगी।

तकनीकी सारांश: ट्रैवलिंग सेल्समैन प्रॉब्लम और इसके वेरिएंट्स के लिए टेंसर-नेटवर्क फॉर्मूलेशन

समस्या की परिभाषा
यह शोध पत्र ट्रैवलिंग सेल्समैन प्रॉब्लम (TSP) और इसके कई सामान्यीकरणों (generalizations) को संबोधित करता है, जिसमें टाइम-डिपेंडेंट TSP (TDTSP), जॉब रीअसाइनमेंट प्रॉब्लम (JRP), और गैर-पुनरावृत्ति बाधाओं (non-repetition constraints), प्राथमिकता नियमों (precedence rules), समूह बाधाओं (group constraints), और बॉटलनेक उद्देश्यों (bottleneck objectives) से जुड़े वेरिएंट शामिल हैं। TSP को $N$ नोड्स की यात्रा करने और वापस शुरुआती बिंदु पर लौटने वाले सबसे छोटे मार्ग को खोजने के रूप में परिभाषित किया गया है, जो कि एक ज्ञात NP-hard समस्या है। जबकि हेल्ड-कार्प ( $O(N^2 2^N)$ ) और ब्रांच-एंड-बाउंड जैसे सटीक एल्गोरिदम मौजूद हैं, वे घातीय जटिलता (exponential complexity) का सामना करते हैं जो औद्योगिक मामलों के लिए उनकी स्केलेबिलिटी को सीमित करती है। इसके विपरीत, ह्यूरिस्टिक्स (जैसे जेनेटिक एल्गोरिदम, लोकल सर्च) इष्टतमता की गारंटी दिए बिना अनुमानित समाधान प्रदान करते हैं। लेखक नोट करते हैं कि उभरते हुए क्वांटम एल्गोरिदम (QAOA, VQE) वर्तमान में हार्डवेयर शोर (NISQ युग) द्वारा सीमित हैं, जो क्वांटम सिस्टम के गुणों की नकल करने वाली शास्त्रीय तकनीकों की खोज को प्रेरित करता है।

कार्यप्रणाली (Methodology)
मुख्य योगदान एक टेंसर-नेटवर्क (TN) फॉर्मूलेशन है जो उम्मीदवार दौरों (candidate tours) को टेंसर प्रोडक्ट स्पेस में अवस्थाओं (states) के रूप में प्रस्तुत करता है। यह विधि तीन प्राथमिक तंत्रों के माध्यम से कार्य करती है:

टेंसर नेटवर्क निर्माण:
- इनिशियलाइजेशन ('+'): प्रत्येक समय चरण (time step) के लिए सभी संभावित नोड असाइनमेंट का एक समान सुपरपोजिशन बनाता है।
- ऑप्टिमाइजेशन ('S'): एक इमेजिनरी टाइम इवोल्यूशन ऑपरेटर $U = e^{-\tau C(\vec{y})}$ लागू करता है, जहाँ $\tau$ एक डैम्पिंग फैक्टर है और $C(\vec{y})$ टूर कॉस्ट है। यह उच्च-लागत वाले कॉन्फ़िगरेशन को तेजी से कम करता है, जो क्वांटम सिस्टम में ग्राउंड स्टेट खोजने के समान है।
- कन्स्ट्रेंट फ़िल्टरिंग ('F'): बाधाओं को लागू करने के लिए मैट्रिक्स प्रोडक्ट ऑपरेटर (MPO) लेयर्स पेश करता है। मानक TSP के लिए, ये लेयर्स प्रत्येक नोड के ठीक एक बार दिखने को सुनिश्चित करने वाले काउंटिंग फिल्टर्स के रूप में कार्य करती हैं। फिल्टर्स यह ट्रैक करने के लिए बाइनरी बॉन्ड इंडेक्स का उपयोग करते हैं कि क्या एक विशिष्ट नोड देखा गया है, जो प्रभावी रूप से लेवी-सिविटा सिंबल बाधा $|\epsilon_{y_0, \dots, y_{\hat{N}-1}}|^2$ को लागू करता है।
- एक्सट्रैक्शन ('+'): मार्जिनल वेट्स (marginal weights) उत्पन्न करने के लिए एक ट्रेस लेयर एम्प्लीट्यूड को जोड़ती है।
क्रमिक मार्जिनल एक्सट्रैक्शन (Sequential Marginal Extraction):
समाधान को पुनरावृत्ति (iteratively) के माध्यम से निकाला जाता है। टूर के एक निश्चित प्रीफिक्स के लिए, एल्गोरिदम अगले स्थान पर प्रत्येक उम्मीदवार नोड $a$ के लिए मार्जिनल वेट $Z_p(a; \tau)$ की गणना करता है। $\tau \to \infty$ और सटीक अंकगणित की सीमा में, वह नोड जो इस वेट को अधिकतम करता है, गारंटी के साथ एक इष्टतम टूर का हिस्सा होता है (प्रपोजिशन 3.2)। एल्गोरिदम अधिकतम नोड का चयन करता है, प्रीफिक्स को अपडेट करता है, और टूर पूरा होने तक इसे दोहराता है।
सामान्यीकरण (Generalizations):
फिल्टर और इवोल्यूशन लेयर्स को संशोधित करके इस ढांचे को विभिन्न TSP वेरिएंट्स के लिए अनुकूलित किया गया है:
- DNSNN (विभिन्न चरणों/नोड्स की संख्या): फिल्टर्स नोड्स को $N^0$ और $N^f$ बारों के बीच दिखने की अनुमति देते हैं।
- NMTSP (नॉन-मार्कोवियन): $K$ पिछले चरणों पर निर्भर लागतों को संभालने के लिए उच्च-क्रम के MPOs का उपयोग करता है।
- BTSP (बॉटलनेक): लागत विकास (cost evolution) को एक ऐसी लेयर से बदल देता है जो मुठभेड़ की गई अधिकतम एज कॉस्ट को ट्रैक करती है।
- PTSP (ग्रुप-कंस्ट्रेंड): फिल्टर्स एक क्लास के भीतर ठीक एक नोड के दौरे को लागू करते हैं।
- TSPP (प्रिसिडेंस): लोकल प्रोजेक्टर्स उन नोड्स को दबा देते हैं यदि उनके आवश्यक पूर्ववर्ती (predecessors) अभी तक प्रकट नहीं हुए हैं।
- JRP (जॉब रीअसाइनमेंट): इसे एक लीनियर असाइनमेंट प्रॉब्लम के रूप में मॉडल किया गया है जहाँ "नो-मूव" स्टेट दोहराने योग्य है, और विशिष्ट रिक्तियां अद्वितीय हैं।
अनुमान और जटिलता (Approximation and Complexity):
फुल टेंसर नेटवर्क का सटीक अभिसरण (contraction) घातीय है, जो डेंस लेयर-वाइज कॉन्ट्रैक्शन के लिए $O(\hat{N}^4 2^{\hat{N}})$ स्केल करता है। बड़े इंस्टेंस को संबोधित करने के लिए, लेखक निम्नलिखित प्रस्तावित करते हैं:
- लेयर एब्लेशन (Layer Ablation): जटिलता को कम करने के लिए केवल एक उपसमुच्चय (subset) बाधा लेयर्स को लागू करना, परिणाम को एक ह्यूरिस्टिक के रूप में मानना।
- स्पार्स-लोकल कॉन्ट्रैक्शन: स्थानीय फ़िल्टर टेंसरों की नियत (deterministic) और स्पार्स प्रकृति का लाभ उठाकर घातीय स्केलिंग को बदले बिना बहुपद प्रीफैक्टर्स (polynomial prefactors) को कम करना (जैसे, $O(\hat{N}^4 2^{\hat{N}})$ से $O(\hat{N}^3 2^{\hat{N}})$ तक)।
- फाइनाइट- $\tau$ ह्यूरिस्टिक: ज़ीरो-टेम्परेचर लिमिट को अनुमानित करने के लिए फाइनाइट प्रिसिजन और फाइनाइट $\tau$ का उपयोग करना, यह स्वीकार करते हुए कि न्यूमेरिकल कंट्रास्ट और डिजेनरेसी (degeneracies) समाधान की गुणवत्ता को प्रभावित करते हैं।

प्रमुख योगदान

स्पष्ट मार्जिनल फॉर्मूला: एक टेंसर-नेटवर्क मार्जिनल समीकरण का व्युत्पन्न जिसका ज़ीरो-टेम्परेचर, सटीक-अंकगणित सीमा एक अनुक्रमिक मार्जिनल नियम के माध्यम से एक इष्टतम व्यवहार्य टूर की पहचान करती है।
कन्स्ट्रेंट एनकोडिंग: काउंटिंग बाधाओं (गैर-पुनरावृत्ति) के लिए MPO लेयर्स की परिभाषा जो विभिन्न कॉम्बिनेटरियल समस्याओं पर लागू होती है।
जनरलाइजेशन फ्रेमवर्क: एक मॉड्यूलर निर्माण जो विशिष्ट टेंसर लेयर्स को बदलकर TSP वेरिएंट्स (TDTSP, JRP, BTSP, आदि) को अनुकूलित करता है।
ह्यूरिस्टिक कार्यान्वयन: एक फाइनाइट-प्रिसिजन, फाइनाइट- $\tau$ कार्यान्वयन जो एक कैलिब्रेटेड ह्यूरिस्टिक के रूप में कार्य करता है, जिसका विश्लेषण न्यूमेरिकल कंट्रास्ट और डिजेनरेसी के संबंध में किया गया है।

परिणाम
प्रायोगिक अध्ययन पद्धति की शुद्धता और न्यूमेरिकल व्यवहार को मान्य करने के लिए छोटे, सिंथेटिक इंस्टेंस ( $N \in \{5, \dots, 12\}$ ) पर केंद्रित है, न कि किसी विशेष सॉल्वर पर कम्प्यूटेशनल श्रेष्ठता का दावा करने के लिए।

कैलिब्रेशन: $\tau$ पैरामीटर आकार-निर्भर (size-dependent) है। एक कैलिब्रेशन स्वीप ( $\tau \in \{1, \dots, 40\}$ ) ने इष्टतम-समाधान दर को मूल्यांकन सेट पर 55.56% ( $\tau=1$ पर) से काफी सुधार कर 95.56% कर दिया।
सॉल्वर तुलना: छोटे इंस्टेंस पर, कैलिब्रेटेड TN सॉल्वर ने 95.24% इष्टतमता दर प्राप्त की, जो NetworkX ग्रीडी (26.67%) और सिम्युलेटेड एनीलिंग (59.05%) से बेहतर प्रदर्शन करता है, लेकिन सटीक हेल्ड-कार्प संदर्भ (100%) से पीछे रह गया।
लेयर एब्लेशन: बाधा लेयर्स को हटाने से समाधान की गुणवत्ता में गिरावट आई, जिससे पुष्टि हुई कि उच्च सटीकता के लिए पूर्ण फ़िल्टर सेट आवश्यक है।
इंडस्ट्रियल केस (JRP): ONCE जॉब रीअसाइनमेंट प्रॉब्लम के लिए एक प्रूफ-ऑफ-कॉन्सेप्ट में, TN विधि ने Azure Digital Annealer के समान संचित लागत वाले समाधान उत्पन्न किए, जो केवल उन डिजेनरेट मामलों में भिन्न थे जहाँ कई इष्टतम असाइनमेंट मौजूद होते हैं।

महत्व और दावे
लेखक विधि की कम्प्यूटेशनल शक्ति के संबंध में स्पष्ट रूप से विनम्रता व्यक्त करते हैं। वे सामान्य TSP के लिए विशेष क्लासिकल सॉल्वर्स (जैसे हेल्ड-कार्प, ब्रांच-एंड-कट, या असाइनमेंट-विशिष्ट एल्गोरिदम) के मुकाबले किसी सामान्य कम्प्यूटेशनल लाभ का दावा नहीं करते हैं।

औपचारिक प्रतिनिधित्व: कार्य को एक "फॉर्मल सटीक-अंकगणित घातीय-समय प्रतिनिधित्व" और "नियंत्रित अनुमानों और विस्तारों के लिए एक प्लेटफॉर्म" के रूप में प्रस्तुत किया गया है।
ह्यूरिस्टिक प्रकृति: फाइनाइट- $\tau$ कार्यान्वयन को एक "कैलिब्रेटेड फाइनाइट-प्रिसिजन ह्यूरिस्टिक" के रूप में वर्णित किया गया है जिसका व्यवहार न्यूमेरिकल कंट्रास्ट और डिजेनरेसी पर निर्भर करता है।
उपयोगिता: प्राथमिक मूल्य मॉड्यूलर टेंसर-नेटवर्क ढांचे में निहित है, जो विविध बाधाओं (प्रिसिडेंस, ग्रुप्स, नॉन-मार्कोवियन लागत) के व्यवस्थित एकीकरण और एक एकीकृत औपचारिकता के भीतर विभिन्न अनुमान तकनीकों (लेयर रिमूवल, स्पार्स कॉन्ट्रैक्शन) के अनुप्रयोग की अनुमति देता है।
सीमाएं: विधि सबसे खराब स्थिति में घातीय स्केलिंग बनाए रखती है। न्यूमेरिकल स्थिरता संबंधी मुद्दे (अंडरफ्लो, डिजेनरेट मामलों में कंट्रास्ट की हानि) और आकार-निर्भर कैलिब्रेशन की आवश्यकता को महत्वपूर्ण सीमाओं के रूप में पहचाना गया है।

संक्षेप में, यह शोध पत्र TSP और इसके वेरिएंट्स के लिए एक कठोर टेंसर-नेटवर्क फॉर्मलिज्म प्रदान करता है, जो छोटे इंस्टेंस पर इष्टतम समाधानों को पुनः प्राप्त करने और औद्योगिक बाधाओं को एकीकृत करने की इसकी क्षमता को प्रदर्शित करता है, साथ ही यह भी स्वीकार करता है कि यह समस्या की मौलिक घातीय जटिलता को पार नहीं करता है।