Naukowcy opracowali WeCon - nowy algorytm neuronowy, który potrafi równocześnie rozwiązywać skomplikowane problemy optymalizacji kombinatorycznej z wieloma konkurującymi celami. Zamiast szukać kompromisu pomiędzy jednym ideałem, WeCon posługuje się tzw. warunkami wagowymi, dzięki czemu model nauczył się elastycznie dostosowywać się do różnych priorytetów optymalizacyjnych. To oznacza, że ten sam system może działać w trybie "maksymalizuj szybkość", "minimalizuj koszt" lub którekolwiek ich kombinacje, bez konieczności przebudowy całej sieci.
Problem, który rozwiązuje WeCon, pojawia się praktycznie wszędzie w nowoczesnej gospodarce. Firmy logistyczne mierzą się z pytaniem, jak zaplanować trasy, żeby jednocześnie zmniejszyć spalanie paliwa i dostarczyć przesyłki na czas. Inżynierowie projektujący części samolotów balansują między wytrzymałością a wagą. W tradycyjnym podejściu takie problemy wymagały albo wielu osobnych obliczeniowych przebiegów, albo komplikowanych metod heurystycznych działających wolno i niepewnie. WeCon obiecuje szybsze i bardziej skalowalne rozwiązania.
Istotny aspekt innowacji tkwi w praktyczności wdrożenia. Sieć neuronowa może pracować w czasie rzeczywistym i przystosowywać się do zmiennych warunków na bieżąco, a nie wymaga od użytkownika dogłębnej wiedzy matematycznej. Badacze demonstrują, że ich metoda radzi sobie efektywniej niż konkurencyjne podejścia zarówno w złożonych scenariuszach, jak i na większych zbiorach danych. To otwiera drzwi dla zastosowań w systemach decyzyjnych, które muszą operować dynamicznie i bez opóźnień.