优化问题的好处在哪里

── 请告诉我之前提到的组合优化问题。

齐藤──更快地解决组合优化问题将如何影响我们的生活？一个常见的例子是旅行商问题。一个推销员从某个城市出发，走遍他去过的所有地方，然后回到起点。推销员应该按什么顺序进行巡视，以使行进的距离最小化？基本上，这是一个排列问题，因此如果您要访问 3 个城市，则只需检查 6 种方式 (3x2)。

堀江──正如你所说，如果有 5 种方式，则 5✕4✕3✕2 就是 120 种方式。即使是通用计算机也可以轻松找到这个问题的答案。那么如果有 10 个城市会怎样呢？ 10✕9✕……3✕2=3,628,800，看来即使是通用计算机也能应付了。然而，对于 20 个城市来说，这个数字约为 243 千万亿，对于 500 个城市来说，这个数字超过了 10 的 1000 次方。即使使用超级计算机，计算所有这些也需要花费大量时间。

齐藤──这只是指数级的，计算时间呈指数级增长。不过，我觉得未来，即使邮政工作人员要走遍100个投递地点，人工智能也能指导出理想的路线。

堀江──确实，组合优化问题在世界各地都存在，说得有点夸张。旅行商问题本身可以称为物流路线问题。如果我们能够找出最优的物流路线，我们就能在最短的时间内交付产品，而且也直接带来了燃料和人力的节省。事实上，有一个工厂优化工作路线和库存零件放置的例子，将工人步行收集零件的时间减少了一半。^*10。

齐藤──这是一个非常容易理解的例子，行驶距离几乎减半。它在许多其他应用程序中不是有效吗？

扩展到医疗保健和金融领域的可能性

堀江──最近，我正在从事药物发现支持工作。作为开发新药的一种方法，“分子相似性搜索”用于提取和搜索分子的部分特征。这时，如果能够将两个分子分离成原子单元并检查匹配情况，就可以进行高度准确的相似性搜索。使用传统计算机计算此搜索将花费大量时间，但使用数字退火器，可以立即执行搜索，从而提供高度准确和快速的药物发现支持。

齐藤──如果它可以用于药物发现并在分子水平上显着推进药物发现，我们可以期望它可以用于特定癌症药物的开发。

堀江──针对流感等常见疾病，可能会开发出更有效的药物。

齐藤──我听说它还可以用来创建金融投资组合。

堀江──假设您想要优化投资组合并降低投资风险。如果考虑投资超过 20 只股票，则有超过 100 亿种组合。在传统计算机上执行此类计算将花费大量时间，使其在现实生活中毫无用处。然而，使用Digital Annealer，即使有500只股票需要考虑，您也可以立即得出多元化的投资配置，以低风险实现回报最大化。

齐藤──金融投资组合优化与投资有关。计算机，而不是人类，是否可以高度准确地建议投资决策的利弊？

堀江──提高准确性的挑战也是医学领域的一个重要问题。例如，在癌症放射治疗中，首先进行 CT 扫描以识别受影响的区域，然后以精确的精度对该区域进行放射线照射以杀死癌细胞。在这种情况下的问题是如何应用辐射。为了确保只有癌细胞受到放射线的照射，需要考虑照射的部位、方向以及放射量。但是，如果使用数字退火器，则可以提高计算精度并减少计算时间。

齐藤──似乎我们可以期待医学界的巨大好处，包括药物发现和癌症治疗。