본 논문은 물리학에서 영감을 받은 그래프 신경망(PI-GNNs)을 이용하여 조합 최적화 문제를 푸는 비지도 학습 프레임워크에 대한 연구를 다룬다. PI-GNNs는 다양한 조합 최적화 문제에서 좋은 성능을 보였지만, 문제 그래프의 밀도가 증가함에 따라 성능이 급격히 저하되는 현상을 발견하였다. 이는 고밀도 문제에 대한 축퇴된 해와 PI-GNNs의 실수 값 출력과 이진 값 문제 해 사이의 불일치 때문임을 분석을 통해 밝혔다. 이러한 문제를 해결하기 위해, 퍼지 논리와 이진화 신경망에 대한 통찰력을 바탕으로 기존 PI-GNNs의 단순한 전략을 개선하는 새로운 방법들을 제안한다. 실험 결과, 제안된 방법들은 고밀도 환경에서 PI-GNNs의 성능을 크게 향상시키는 것을 보여준다.
