Depende de lo que quieras decir con “resolver”. Si quiere encontrar soluciones prácticamente útiles para tales problemas, la respuesta es sí y es bastante común. Tomemos, por ejemplo, el reconocimiento facial, que es una instancia de Image Matching, que es NP-Complete (por lo tanto, NP-Hard) [1]. Las redes neuronales de convolución profunda a menudo se usan para “resolver” eso, lo que significa que pueden encontrar soluciones razonables la mayor parte del tiempo.
Sin embargo, si por “resolver” te refieres a encontrar las soluciones óptimas para todas las instancias, entonces no, no pueden (a menos que P = NP). La razón es simple: las redes neuronales actuales se ejecutan en computadoras normales, que son instancias limitadas de máquinas de Turing deterministas, y están limitadas por la capacidad de este modelo. Por lo tanto, si pudieran, probarían P = NP.
No estoy seguro de si las redes neuronales profundas se realizaran físicamente (por ejemplo, neuronas independientes y comunicación paralela) las cosas cambiarían. Supongo que no lo harían.
- ¿La red neuronal profunda es realmente un aprendizaje profundo?
- ¿Qué es un núcleo universal en el contexto del aprendizaje automático?
- Cómo construir la matriz del núcleo para un polinomio de grado finito
- ¿Qué método de aprendizaje automático es adecuado para aprender una estrategia comercial no explícita?
- Cómo obtener una posición de RA en el Grupo de Aprendizaje Automático de Microsoft Research India
[1] La coincidencia de imagen elástica es NP-completa
