arXiv · 09.07.2026 ·Машинное обучение

Оптимизация ликвидности в сети Bitcoin Lightning через глубокое обучение на графах

Исследователи представили MPFlow — метод оптимизации ликвидности в сети Bitcoin Lightning с использованием глубокого обучения с подкреплением на графах. Алгоритм решает задачу выбора каналов для открытия при ограниченном бюджете, максимизируя пропускную способность маршрутизации. Подход позволяет эффективно находить оптимальные конфигурации сети, превосходя традиционные эвристические методы в задачах комбинаторной оптимизации на графах.

Задача выбора каналов в Lightning Network традиционно является сложной комбинаторной проблемой, так как добавление новых ребер напрямую влияет на топологию сети и общую пропускную способность. Авторы MPFlow переформулировали эту задачу как поиск подмножества из k ребер, максимизирующих поток между узлами s и t. Использование графовых нейронных сетей позволяет модели обучаться на структуре сети, адаптируясь к динамическим изменениям топологии.

Решение демонстрирует потенциал применения методов обучения с подкреплением для управления децентрализованными финансовыми инфраструктурами. В отличие от статических алгоритмов, модель способна учитывать ограничения бюджета и топологические особенности графа в реальном времени, что критически важно для масштабируемости платежных сетей второго уровня.

Ключевые факты

MPFlow использует глубокое обучение с подкреплением (Deep Graph Reinforcement Learning) для решения задачи максимизации потока.
Алгоритм оптимизирует выбор k каналов для открытия, чтобы максимизировать пропускную способность маршрутизации при заданном бюджете.
Метод основан на теории максимального потока (max-flow) между узлами s и t в графовой структуре сети.
Исследование направлено на решение проблемы неэффективного распределения ликвидности в сети Bitcoin Lightning.

Источник: arXiv

Обсудить с ИИ

Похожие материалы

arXiv · Машинное обучение FlowPipe: автоматизация пайплайнов подготовки данных с помощью GFlowNets и LLM Исследователи представили FlowPipe — новый метод автоматического построения пайплайнов подготовки данных для машинного обучения. Система объединяет генеративные потоковые сети (GFlowNets) с возможностями LLM для навигации в сложном комбинаторном пространстве операторов очистки и трансформации. Подход позволяет эффективно находить оптимальные последовательности преобразований, минимизируя затраты на дорогостоящую оценку качества данных на каждом этапе обучения модели. arXiv · Машинное обучение Новый метод обучения моделей с использованием потоковых карт для онлайн-поиска Исследователи представили метод Sequentially-Controlled Interactive Multi-Particle Flow-Maps (SCIM-Flow), предназначенный для оптимизации моделей в условиях неизвестных предпочтений. В отличие от стандартных подходов, которые ограничены локальным поиском, новый алгоритм использует динамические потоковые карты частиц для эффективного исследования пространства распределений, что позволяет модели адаптироваться к обратной связи в режиме реального времени и находить области с высокой полезностью. arXiv · Машинное обучение Оптимизатор Muon ускоряет обучение нейросетей через динамику матричной факторизации Исследователи проанализировали работу оптимизатора Muon, выявив его способность эффективно находить сбалансированные решения в задачах матричной факторизации. В отличие от стандартного градиентного спуска, Muon избегает медленной динамики «седло-седло», что позволяет быстрее достигать оптимальных весов в нелинейных системах. Это открытие объясняет высокую производительность алгоритма при обучении современных архитектур нейронных сетей и глубоком обучении представлений. arXiv · Машинное обучение Оптимизация инференса LLM через адаптивную глубину декодирования Исследователи представили метод Depth Exploration, оптимизирующий процесс генерации токенов в авторегрессионных моделях. Вместо прогона каждого токена через все слои нейросети, система динамически определяет глубину вычислений, необходимую для уверенного предсказания. Это позволяет существенно сократить вычислительные затраты при сохранении точности, так как многие токены становятся предсказуемыми на промежуточных этапах обработки данных внутри архитектуры модели. arXiv · Машинное обучение Ускорение численного моделирования потоков с помощью графовых нейросетей Исследователи представили новый метод ускорения алгебраических многосеточных решателей (AMG), используемых для решения уравнения Пуассона при моделировании несжимаемых потоков. Традиционные линейные методы часто сталкиваются с вычислительными сложностями из-за неоднородности расчетных сеток, что делает их узким местом в инженерных расчетах. arXiv · Исследования и наука Решение проблемы «бесплодных плато» в квантовом машинном обучении Исследователи предложили новый подход к архитектуре квантовых нейронных сетей, основанный на динамических алгебрах Ли. Метод позволяет преодолеть фундаментальный парадокс квантового машинного обучения, где повышение выразительной способности модели неизбежно ведет к возникновению «бесплодных плато» (barren plateaus), делающих обучение градиентным спуском практически невозможным. Новая математическая база обеспечивает стабильную сходимость при масштабировании квантовых систем. arXiv · Машинное обучение Метод Message Passing ускоряет логический вывод в LLM Исследователи представили метод Message Passing, который оптимизирует процесс рассуждения больших языковых моделей. В отличие от традиционных цепочек мыслей (CoT), требующих последовательных вычислений, новый подход использует параллельную обработку через обмен сообщениями между потоками модели. Это позволяет значительно сократить вычислительные затраты и время инференса при сохранении высокой точности решения сложных логических задач. arXiv · Машинное обучение Новый метод масштабируемого слияния предобученных трансформеров Исследователи представили фреймворк, позволяющий эффективно объединять веса независимо обученных нейронных сетей через линейную связность мод (Linear Mode Connectivity, LMC). Ранее подобные методы были ограничены в масштабируемости, так как оптимизация пути интерполяции проводилась только от одной конечной точки модели. Новый подход снимает эти ограничения, позволяя применять слияние к крупным предобученным трансформерам с миллиардами параметров. arXiv · Исследования и наука Метод PHF для улучшения обучения моделей рассуждения через самодистилляцию Исследователи представили метод Privileged Hidden Flow (PHF), оптимизирующий процесс обучения моделей рассуждения с помощью самодистилляции. В отличие от стандартных подходов, фокусирующихся только на выходных токенах, PHF напрямую контролирует внутренние скрытые состояния модели, сопоставляя их с «привилегированным» учителем, имеющим доступ к верифицированным решениям. Это позволяет эффективнее передавать логику рассуждений и повышать точность генерации ответов. arXiv · Исследования и наука Новая архитектура для ускорения генеративного улучшения речи Исследователи представили архитектуру для улучшения качества речи, основанную на методе Flow Matching. В отличие от традиционных U-Net моделей, новый подход исключает пропускные соединения (skip-connections) и использует выравнивание латентных представлений. Это позволяет значительно сократить количество итераций при генерации, обеспечивая высокую скорость обработки, необходимую для работы систем в режиме реального времени.

← Все материалы