Este artículo presenta un marco de aprendizaje no supervisado para resolver problemas de optimización combinatoria utilizando redes neuronales de grafos inspiradas en la física (PI-GNN). Las PI-GNN muestran un buen rendimiento en diversos problemas de optimización combinatoria, pero su rendimiento se deteriora rápidamente a medida que aumenta la densidad del grafo del problema. A través del análisis, demostramos que esto se debe a las soluciones degeneradas para problemas de alta densidad y al desajuste entre la salida de valor real de las PI-GNN y las soluciones de problemas de valor binario. Para abordar este problema, proponemos métodos novedosos que mejoran la estrategia simple de las PI-GNN existentes basados en conocimientos de lógica difusa y redes neuronales binarizadas. Los resultados experimentales muestran que los métodos propuestos mejoran significativamente el rendimiento de las PI-GNN en entornos de alta densidad.
