技術要約：巡回セールスマン問題における多項式時間解析的緩和

問題定義

巡回セールスマン問題（TSP）は、典型的なNP困難な組合せ最適化課題として特定されている。整数線形計画法（ILP）やホールド・カープ（Held-Karp）動的計画法などの従来の厳密解法は、重み付きグラフのハミルトン閉路空間を評価する必要がある。これらの手法は、階乗的な $O(N!)$ または指数的な $O(N^2 2^N)$ の計算量に縛られており、$N \le 25$ 程度の問題インスタンスを超える実世界のアプリケーションへの適用は困難である。

手法

本論文は、離散的な置換空間を連続的な確率フロー・テンソル多様体へと写像する、新しい連続解析的フレームワークを提案している。離散的な探索木をトラバースするのではなく、この手法は最適化タスクを代数的なテンソル伝播問題として再定式化する。このアプローチは、以下の3つの核心的な仮定によって支配されている：

1. 連続多様体埋め込み： 離散的な置換は、連続的な確率フロー・テンソル空間 $P \in \mathbb{R}^{N \times N}$ に埋め込まれる。遷移確率は逆コスト冪乗則によって定義され、確率 $P_{ij}$ はスケーリングパラメータ $\alpha$ に対するエッジ重みの勾配に反比例する。
2. 履歴依存の累積的および超越的正規化： 指数的な部分集合マスキングを行うことなくハミルトン制約を強制するために、パスの確率は動的に重み付けされる。本論文では、以下の3つの解析的手法を導入している：
   • アプローチ1（標準的確率フロー）： 確率とエッジコストの比に基づいて遷移をスコアリングする。
   • アプローチ2（$\pi$-指数ヘウリスティック）： 確率値に対して $\pi$ を用いた超越的スケーリングを適用する。
   • アプローチ3（超越的HK緩和）： 事前計算された配列因子 $\gamma(N) = \pi^{(N^2 / 2^N)}$ を利用する。
3. スペクトル級数切断： サイクル被覆の手に負えないパーマネント（permanent）は、行列指数関数 $e^{tW}$ のマクローリン級数展開の切断近似を用いて近似される。これにより、係数の抽出が多項式行列乗算の境界、具体的には $O(N)$ へと削減される。

結果として得られるアルゴリズムは、「テンソル初期化」、「遷移テンソル構築」、「逐次状態伝播」の3つのフェーズで動作する。未訪問ノードを評価するために $N$ ステップを実行し、最小の「コスト対確率」スコアを選択することで、厳密な決定論的実行時間 $O(N^3)$ を達成する。

主な貢献

• アルゴリズムの転換： 確率行列、超越的スケーリング因子、および切断されたマクローリン級数を利用することで、指数的な部分集合列挙を回避する決定論的アルゴリズム。
• 複雑度の低減： TSPツアー生成の理論的な複雑度を、指数時間から厳密な $O(N^3)$ の多項式時間へと低減。
• 実装： テンソル伝播アプローチの実現可能性を示すため、Python (NumPy) および Java によるコード実装を提供。
• スケーラビリティ： エンタープライズ規模のグラフトポロジーに対する安定したスケーラビリティの実証。$N$ が増加しても実行時間は低水準に維持される。

結果

本論文は、問題サイズ $N = 1$ から $100$ における包括的なベンチマーク結果を提示し、提案された解析的手法を厳密なホールド・カープのベースラインと比較している。

• 実行時間： 提案された $O(N^3)$ 手法は、ホールド・カープと比較して著しく速い実行時間を示している。$N=20$ の場合、提案手法は 0.205 ms かかるのに対し、ホールド・カープは 870,000 ms を要する。$N=100$ の場合、提案手法は 15.80 ms で完了するが、ホールド・カープは「静的配列（Static-Array）」ルックアップが必要である（これは指数的な手法が実行不可能であることを示唆している）。
• 解の品質： 提案されたアプローチによって生成されたツアーコストは、既知の最適ベースラインと経験的に一致していることが報告されている。
  • アプローチ1およびアプローチ3： これらの手法は、テストされたすべてのインスタンス（$N=1$ から $100$）において、厳密なホールド・カープのベースラインと同一のコストを算出する。
  • アプローチ2： この手法は軽微な偏差を示す（例：$N=6$ において、コストは 399.10 となり、厳密解の 398.50 となる）が、最適ベースラインに近い値を維持している。
• 大規模スケーリング： 本論文には、$N=10,000$ までの超大規模グラフの投影が含まれている。$N=10,000$ の場合、アルゴリズムは約 $1.00 \times 10^{12}$ FLOPs の演算、800 MB のメモリ、および約 15.80 分の実行時間を要すると推定されている。

重要性と主張

本論文は、組合せ最適化を連続的な代数テンソル、超越的スケーリング、および多項式級数近似を通じて再構成することにより、TSPツアー生成を決定論的な多項式時間で実行できると主張している。著者は、このフレームワークが指数的な部分集合列挙を回避しながら、最適解との経験的な一致を維持することを可能にすると断言している。

本研究の重要性は、TSPソルバーのスケーラビリティの限界を解決し、これまで小規模なインスタンスに限定されていたエンタープライズ規模のグラフトポロジーの処理を可能にする点にある。論文は、今後の展望として、巨大な疎グラフインスタンス（$N > 10,000$）のパフォーマンスをさらに最適化するために、GPUテンソルコアによるハードウェア加速を探索することを述べている。