本研究では、組合最適化問題における機械学習を活用した手法が、従来の最適化手法を凌駕する可能性を示しています。特に、三次元イジングスピンガラスにおける最小エネルギー構成を見つけるための二次非制約バイナリ最適化（QUBO）問題に焦点を当てています。グローバルアニーリングモンテカルロアルゴリズムを用いて、標準的なローカル移動と機械学習によるグローバル移動を組み合わせて最適なパフォーマンスを達成することを示しました。ベンチマークテストの結果、グローバルアニーリングはシミュレーテッドアニーリングを超える性能を示し、ポピュレーションアニーリングよりも堅牢性を確保し、問題の難易度やシステムサイズにおいても効果を維持しました。これは、機械学習支援の最適化手法が、組合最適化において従来の最先端技術を超えることができるという明確な証拠を提供します。