연구진은 최소 강성 그래프의 극단적인 현실화 개수를 찾기 위해 강화 학습 접근 방식을 제안했습니다. 이 방법은 0- 및 1-확장(Henneberg 이동)을 통해 그래프를 구성하며, 그래프 이성질형 네트워크 인코더와 확장 레벨 액션 헤드를 사용합니다.
최적화된 현실화 개수 불변량은 Deep Cross-Entropy Method를 통해 이루어졌으며, 실험적으로는 평면 현실화 개수에 대한 알려진 최적값을 일치시켰습니다.
새로운 방법은 구면 현실화 개수에 대한 최고 기록 그래프를 생성하여 알려진 경계를 개선했습니다.