Des chercheurs du Massachusetts Institute of Technology ont développé un nouvel outil de résolution de problèmes, FSNet, qui combine apprentissage automatique et algorithmes d’optimisation pour résoudre rapidement des problèmes complexes tels que la planification des réseaux électriques. Cette technologie améliore considérablement l’efficacité de calcul par rapport aux méthodes traditionnelles tout en garantissant que les solutions respectent toutes les contraintes du système.

FSNet repose sur un cadre de résolution en deux étapes : un réseau de neurones prédit d’abord une solution, puis un solveur classique effectue une recherche d’optimisation de faisabilité. Le premier auteur de l’article, Huang An, étudiant en doctorant au département d’ingénierie électrique et informatique, déclare : « Avec FSNet, nous obtenons les garanties rigoureuses nécessaires en pratique. » Cette méthode gère simultanément les contraintes d’égalité et d’inégalité, élargissant ainsi son champ d’application.

L’équipe a comparé FSNet aux solveurs traditionnels et aux méthodes purement d’apprentissage automatique. Les résultats montrent que, tout en respectant l’ensemble des contraintes, le nouvel outil est plusieurs ordres de grandeur plus rapide que les méthodes classiques. La responsable du projet, la professeure Priya Donti du département d’ingénierie électrique et informatique, souligne : « Pour les problèmes d’optimisation difficiles, trouver une solution réalisable est souvent plus important que de trouver une solution proche de l’optimum. »

FSNet peut être appliqué non seulement à la planification électrique des réseaux, mais aussi à la conception de produits, à la gestion de portefeuilles, etc. Les chercheurs prévoient de réduire encore les besoins en mémoire de l’outil, d’intégrer des algorithmes plus efficaces et d’étendre son échelle pour résoudre des problèmes réels. Les résultats de cette recherche, intitulée FSNet, ont été soumis à la conférence NeurIPS.