Reluplex: An Efficient SMT Solver for Verifying Deep Neural Networks
Stanford University(斯坦福大学)
深度神经网络已经成为解决复杂现实问题的广泛使用和有效的手段。然而,将它们应用于安全关键系统的一个主要障碍是很难提供关于其行为的正式保证。我们提出了一种新的,可扩展的,有效的技术来验证深度神经网络的属性(或提供反例)。该技术基于单纯形方法,扩展到处理非凸整流线性单元(ReLU)激活函数,这是许多现代神经网络的关键组成部分。验证过程将神经网络作为一个整体来处理,而不做任何简化的假设。我们评估了我们的技术上的原型深度神经网络实现的下一代无人机机载防撞系统(ACAS徐)。结果表明,我们的技术可以成功地证明比使用现有方法验证的最大网络大一个数量级的网络的属性。
2017-05-19 cs.AI cs.LO
Exploring Approximations for Floating-Point Arithmetic using UppSAT
Uppsala University(乌普萨拉大学);Microsoft Research(微软研究院)
我们考虑的问题,解决从软件验证获得的浮点约束。我们提出了UppSAT -一个新的实现系统的近似细化框架[ZWR 17]作为一个抽象的SMT求解器。提供了一个近似和决策过程(在现成的SMT求解器中实现),UppSAT产生一个近似的SMT求解器。此外,UppSAT包括一个预定义的近似组件库,可以组合和扩展以定义新的编码,排序和求解策略。我们建议,UppSAT可以被用作一个沙箱,方便和灵活的探索新的近似。为了证实这一点,我们探讨了浮点运算的几种近似方法。近似可以被看作是一个编码到目标理论,精度排序,以及模型重建和精度(或近似)细化的一些策略的组合。我们将浮点运算的编码分为降精度浮点运算、实数运算和定点运算(按位向量理论编码)。在实验评估中,我们比较了通过结合各种编码和决策程序(基于现有的最先进的SMT解算器的浮点,实数和位向量运算)获得的近似解算器的优点和缺点。
2017-12-11 cs.AI cs.LO
Solving the Wastewater Treatment Plant Problem with SMT
University of Girona(赫罗纳大学)
在本文中,我们介绍了污水处理厂的问题,现实世界的调度问题,并比较几种工具的性能,我们表明,对于一个天真的建模,国家的最先进的SMT求解器优于其他工具,从数学规划约束规划。我们使用真实和随机生成的基准。从这个和类似的结果,我们要求开发编译器前端能够从约束程序设计语言转换到SMT-LIB标准语言的方便。
2016-09-17 cs.AI cs.LO
On Neural Network Equivalence Checking using SMT Solvers
Aristotle University of Thessaloniki(塞萨洛尼基亚里士多德大学);Northeastern University(东北大学)
如果两个预训练的神经网络对相同的输入产生相似的输出,则它们被认为是等效的。神经网络的等价性检查是非常重要的,因为当需要满足额外的要求或解决安全威胁时,其在用等价的组件替换学习使能的组件中的实用性,例如当使用知识蒸馏、对抗训练等时。SMT求解器可以潜在地提供对神经网络等价性检查的问题的解决方案,其将是健全和完整的,但是正如所预期的,任何这样的解决方案都与关于要检查的神经网络的大小的显著限制相关联。这项工作提出了第一个基于SMT的编码的等价性检查问题,探讨其效用和局限性,并提出了未来的研究和改进途径,以实现更可扩展和实际适用的解决方案。我们目前的实验结果,揭示了上述问题,不同类型的神经网络模型(分类器和回归网络)和等价性标准,对一个通用的和应用程序无关的等价性检查方法。
2022-03-22 cs.AI cs.LG cs.LO
Proving the Incompatibility of Efficiency and Strategyproofness via SMT Solving
Technische Universität München(慕尼黑工业大学)
当聚合多个代理的偏好时,两个重要的要求是结果应该是经济有效的,并且聚合机制不应该是可操纵的。在本文中,我们提供了一个全面的不可能使用这两个条件的随机聚集机制的计算机辅助证明。更确切地说,我们表明,每一个有效的聚合机制,可以操纵所有预期的效用表示的代理人的喜好。这解决了一个开放的问题,并加强了一些现有的定理,包括声明中所示的特殊领域的分配。我们的证明是通过制定索赔作为一个可满足性问题的谓词从实值算术,然后检查使用SMT(可满足性模理论)求解器。为了验证结果的正确性,SMT求解器返回的最小不可满足约束集被翻译回高阶逻辑中的证明,该证明由交互式定理证明器自动验证。据我们所知,这是SMT求解器在计算社会选择中的首次应用。
2017-09-06 cs.AI cs.GT cs.LO
Extending SMT Solving with Non-Ground Clause Learning
Max Planck Institute for Informatics(马克斯·普朗克信息学研究所);Graduate School of Computer Science, Saarland Informatics Campus(萨尔兰信息学园区计算机科学研究生院)
本文提出一种结合基实例化、CDCL(T)风格规则与非基冲突分析的演算,通过非基子句学习生成更一般的子句,并支持时间回溯,可模拟多种SMT求解方法。
2026-09-11 cs.AI cs.LO
A Comparative Study of SMT and MILP for the Nurse Rostering Problem
Division of Systems and Control, Department of Electrical Engineering, Chalmers University of Technology(系统与控制系,电气工程系,查尔姆斯理工大学);Research and Technology Development, Group Trucks Operations, Volvo AB(研发与技术发展,卡车运营组,沃尔沃公司)
本文针对护士排班问题,提出通用约束表述并分别建模为SMT和MILP问题,系统比较Z3与Gurobi求解器在不同排班场景下的性能,发现MILP在高度受限或不可行问题上更优,而SMT在班次和人员更多样的现实问题上表现更好,为人员排班领域提供了SMT方法的新研究方向。
2025-06-02 cs.AI cs.SY eess.SY
Counterexample Guided Inductive Optimization
Federal Institute of Amazonas(亚马逊联邦学院);Federal University of Amazonas(亚马逊联邦大学);University of Oxford(牛津大学)
本文介绍了三种变体的反例引导归纳优化(CEGIO)方法的基础上可满足性模理论(SMT)的解决方案。特别是,CEGIO依赖于迭代执行来约束验证过程,以便基于从SMT求解器中提取的反例来执行归纳概括。CEGIO能够成功优化各种功能,包括基于SMT求解器的非线性和非凸优化问题,其中使用反例提供的数据来指导验证引擎,从而减少优化域。本算法使用通常用于评估优化技术的一大组基准进行评估。实验结果表明,所提出的算法的效率和有效性,发现在所有评估的基准的最优解,而传统的技术通常被困于局部极小值。
2017-04-11 cs.AI cs.LO
Manyopt: An Extensible Tool for Mixed, Non-Linear Optimization Through SMT Solving
Imperial College London(帝国理工学院)
混合非线性规划(MINLP)的优化支持化学过程工程等应用中的重要决策。但目前的求解器具有有限的能力,演绎推理或使用特定领域的理论,和完整性约束的管理还没有利用自动推理工具,如SMT求解器。这似乎限制了这些工具在实践中的可扩展性和范围。因此,我们提出了一个工具,ManyOpt,MINLP优化,使实验减少技术转换的MINLP问题的可行性检查实现的SMT求解器。ManyOpt类似于SAT求解器ManySAT,因为它并行运行指定数量的此类约简技术,以获得给定MINLP问题的最强结果。该工具是分层实现的,我们可以将其视为特征,其中约简技术是特征向量。这些特征中的一些特征受到已知MINLP技术的启发,而另一些特征是新颖的并且特定于SMT。我们在标准基准上的实验结果证明了这种方法的好处。该工具支持各种SMT求解器,并且由于其分层结构,可以轻松扩展新功能。例如,很容易添加用于演绎推理的逻辑公式,以进一步约束感兴趣的MINLP问题的优化。
2017-02-04 cs.AI cs.MS
An efficient constraint based framework forhandling floating point SMT problems
University of Connecticut(康涅狄格大学);I3S (University Côte d’Azur - CNRS)(蔚蓝海岸大学-法国国家科学研究中心I3S研究所)
本文介绍了\us{}的2019版本,这是一种新的约束编程框架,用于使用SMTLIB的SMT语言表达浮点验证问题。SMT求解器通过委托给特定的理论(例如,浮点数、位向量、数组.)推理组合或其他复杂约束的任务,对于这些约束,SAT编码将是麻烦的或无效的。这种分解和编码过程导致高级约束的混淆和组合模型结构信息的丢失。在\us{}中,浮点上的约束是第一类对象,目的是公开和利用浮点域的结构来增强搜索过程。符号阶段将每个SMTLIB实例重写为基本约束,并消除辅助变量,这些辅助变量的存在会产生反作用。搜索中的多样化技术使其避免在搜索空间的非生产性区域中进行昂贵的枚举。实证评估表明,2019年版本的\us{}在计算上具有挑战性的浮点基准上具有竞争力,即使对于其他CP求解器也会引起重大的搜索工作。它强调了利用推理和搜索的能力是至关重要的。事实上,它比Colibri提高了3倍,比SMT求解器快10倍。该评估是在214个基准(Griggio套件)上进行的,这是SMTLIB中的标准。
2020-02-27 cs.AI
Once4All: Skeleton-Guided SMT Solver Fuzzing with LLM-Synthesized Generators
State Key Laboratory for Novel Software Technology, Nanjing University(南京大学计算机软件新技术国家重点实验室)
Once4All通过LLM合成生成器生成可重用的逻辑表达式,解决传统模糊测试中生成公式语法无效和计算开销大的问题,有效发现SMT求解器中的43个已确认bug。
2026-04-08 cs.AI cs.PL cs.SE
Computing Small Unsatisfiable Cores in Satisfiability Modulo Theories
FBK-IRST(布鲁诺·凯斯勒基金会-材料与微系统研究所)
寻找SAT公式的小不可满足核的问题最近受到了广泛的关注,主要是因为它在形式化验证中的应用。然而,命题逻辑往往是不够的表达,表示许多有趣的验证问题,这可以更自然地解决的框架可满足性模理论,SMT。令人惊讶的是,在SMT中找到不可满足的核心的问题在文献中很少受到关注。在本文中,我们提出了一种新的方法来解决这个问题,称为引理提升方法。其主要思想是将SMT求解器与外部命题核心提取器相结合。SMT求解器产生在搜索期间发现的理论引理,动态地将适量的理论信息提升到布尔级别。核心提取器,然后调用原始SMT问题和理论引理的布尔抽象。这将导致一个不可满足的核心,为原来的SMT问题,一旦剩余的理论引理被删除。这种方法在概念上很有趣,在实践中有几个优点。事实上,它的实现和更新非常简单,并且它可以以即插即用的方式与每个命题核心提取器接口,以便免费受益于已经或将要提供的所有未饱和核心还原技术。我们已经评估了我们的算法与一个非常广泛的实证测试SMT-LIB基准,这证实了这种方法的有效性和潜力。
2014-01-16 cs.AI cs.LO
LLM-Guided Quantified SMT Solving over Uninterpreted Functions
AquaForte利用大语言模型提供语义指导,通过生成满足约束条件的函数定义实例化候选,显著减少SMT求解的搜索空间和复杂性,有效解决传统求解器超时的实例。
2026-01-08 cs.AI
Translating finite-domain integer constraint models to CP/SMT/ILP/PB/SAT solvers with CPMpy
KU Leuven(鲁汶大学);Nonfiction Software;Flanders Make(弗兰德斯制造);University of Western Macedonia(西马其顿大学);UCLouvain(天主教鲁汶大学)
本研究提出基于CPMpy的模块化框架,将高级约束模型转换为CP、SMT等多种求解器形式,可跨求解技术对比,优化线性化对ILP/PB求解器关键。
2026-08-18 cs.AI
An Eager Satisfiability Modulo Theories Solver for Algebraic Datatypes
University of California, Berkeley(加利福尼亚大学伯克利分校)
针对现有SMT求解器处理代数数据类型(ADTs)时因惰性方法导致扩展性差的问题,提出一种急切方法,将ADT查询归约为未解释函数(UF)理论,并证明了该方法的可靠性、完备性及优于现有方法的性能。
2023-10-18 cs.AI cs.LO cs.PL
CSB: A Counting and Sampling tool for Bit-vectors
Chennai Mathematical Institute(钦奈数学研究所);Georgia Institute of Technology(佐治亚理工学院);IAI, TCG-CREST;Kolkata University of Toronto(多伦多大学加尔各答分校)
研究能否借助现代CNF模型计数器和采样器扩展SMT求解器以处理位向量的计数和采样问题,开发了工具csb,能解决多种位向量模型计数和采样问题,实验显示性能优于现有方法。
2026-07-07 cs.AI cs.LO
EduSAT: A Pedagogical Tool for Theory and Applications of Boolean Satisfiability
Vanderbilt University(范德堡大学);University of Southern California(南加州大学)
针对 SAT/SMT 教学交互工具不足的问题,本文提出 EduSAT,集成 DPLL、ROBDD 及五类 NP 完全问题抽象,经评估全部求解器达到 100% 正确率。
2023-08-15 cs.AI cs.FL cs.LO
Encoding Linear Constraints into SAT
Barcelogic(巴塞罗逻辑公司);Technische Universität Berlin(柏林工业大学);Monash University(莫纳什大学)
线性整数约束是组合问题中最重要的约束之一,因为它们在许多实际应用中是常见的。通常,与SAT模理论(SMT)、惰性子句生成(LCG)或混合整数规划(MIP)求解器相比,对合取范式的布尔可满足性(SAT)格式的编码在具有这些约束的问题中表现不佳。在本文中,我们探讨和分类SAT编码的线性整数约束。我们定义了新的SAT编码的基础上多值决策图,排序网络。我们比较不同的SAT编码的线性约束,并证明其中一个可能是更可取的。我们还比较SAT编码对其他解决方法,并表明他们可以比线性整数(MIP)求解器,有时比LCG或SMT求解器在适当的问题。将新的编码与惰性分解相结合,在运行时只对对发生的求解过程重要的约束进行编码,为许多涉及线性约束的高度组合问题提供了最佳选择。
2020-05-05 cs.AI cs.LO
Machine Learning for Quantifier Selection in cvc5
Czech Institute of Informatics, Robotics and Cybernetics(捷克信息学、机器人学与自动控制研究所);Czech Technical University in Prague(布拉格捷克技术大学);Institute for Computing and Information Sciences(计算与信息科学研究所);Radboud University(拉德博德大学)
本研究通过机器学习优化cvc5中量词选择,提升SMT求解效率。
2025-12-11 cs.AI cs.LG cs.LO
An SMT Based Compositional Algorithm to Solve a Conflict-Free Electric Vehicle Routing Problem
Chalmers University of Technology(查尔姆斯理工大学)
车辆路径问题(Vehicle Routing Problem,VRP)是一种组合优化问题,它以成本函数(通常是车辆数量或总行驶距离)最小化的方式设计车辆访问客户的路径。这个问题在工业场景中得到了应用,例如,自动引导车辆在工厂中运行,从仓库运送组件。这个特定的问题,此后称为电动无障碍车辆路径问题(CF-EVRP),涉及的约束,如有限的车辆的运行范围,交付给客户的时间窗口,以及有限的容量上的车辆数量的路段可以容纳在同一时间。这样一个复杂的系统导致一个大的模型,不能很容易地解决在合理的时间内达到最优。因此,我们开发了一个组合模型,将问题分解为更小更简单的子问题,并为原始问题提供次优的可行解决方案。该算法利用SMT求解器的优势,这在我们以前的工作中被证明是一种有效的方法来处理调度问题。与用SMT标准语言编写并使用最先进的SMT求解器求解的CF-EVRP的整体模型相比,发现组合模型的速度明显更快。
2021-06-30 cs.AI cs.SY eess.SY
QNNVerifier: A Tool for Verifying Neural Networks using SMT-Based Model Checking
University of Manchester(曼彻斯特大学);University of Amazonas(亚马逊大学)
QNNVerifier是第一个用于验证神经网络实现的开源工具,它考虑了操作数的有限字长(即量化)。新的支持量化是通过采用最先进的软件模型检验(SMC)技术。它将神经网络的实现转化为基于可满足性模理论(SMT)的一阶逻辑的可判定片段。固定和浮点运算的影响表示通过直接实现给定的硬件确定的精度。此外,QNNVerifier允许指定定制的安全属性,并使用不同的验证策略(增量和k-归纳)和SMT求解器验证生成的模型。最后,QNNVerifier是第一个通过区间分析和非线性激活函数的离散化结合不变推理的工具,以数量级加速神经网络的验证。有关QNNVerifier的视频演示,请访问https://youtu.be/7jMgOL41zTY
2021-11-25 cs.AI cs.LG cs.LO
Accelerating Floating-Point Satisfiability Solving via Gradient Normalization
针对浮点SMT求解中梯度支配导致的局部最优问题,提出GradSAT框架,将每个子句视为多任务学习任务,通过动态梯度归一化平衡梯度,结合GPU加速连续松弛与位精确局部搜索,实现稳健高效的求解。
2026-10-08 cs.AI cs.LG
Satisfiability Modulo Theory Meets Inductive Logic Programming
The University of Edinburgh(爱丁堡大学)
本文提出一种模块化的SMT-ILP架构,结合PyGol与Z3,通过整合可满足性模理论增强归纳逻辑编程在数值约束推理中的能力。
2025-12-15 cs.AI
SMTrap: Cost-Effective DoS Attacks Against Large Reasoning Models via SMT Conflict Guidance
本研究提出基于SMT冲突引导的轻量级CPU框架SMTrap,无需模型查询或GPU即可生成高影响力CSP查询,实现强于基线数倍的LRM-DoS攻击,还展示了对应的缓解工具
2026-08-20 cs.AI cs.CL
SMT-based Constraint Answer Set Solver EZSMT+
University of Maryland, College Park(马里兰大学帕克分校);University of Nebraska at Omaha(内布拉斯加大学奥马哈分校)
约束回答集编程将回答集编程与约束处理相结合。系统EZSMT+是一个约束答案集编程工具,利用可满足性模理论求解器进行搜索。它的理论基础是对Niemela关于逻辑程序的回答集的水平排序的刻画的推广。
2019-06-03 cs.AI cs.LO
SMLP: Symbolic Machine Learning Prover (User Manual)
Intel(英特尔);The University of Manchester(曼彻斯特大学)
本手册介绍开源工具SMLP,它结合符号推理、概率统计方法与各类求解器,可基于csv格式数据对ML模型表示的系统做带约束的探索优化,已应用于英特尔硬件设计,正推进专用NN求解器集成。
2024-05-16 cs.AI cs.LG cs.LO
Layered and Staged Monte Carlo Tree Search for SMT Strategy Synthesis
University of Waterloo(滑铁卢大学);University of Göttingen(哥廷根大学);CIDAS;Georgia Institute of Technology(佐治亚理工学院);Loughborough University(拉夫堡大学)
本文提出基于分层分阶段蒙特卡洛树搜索的SMT策略自动合成方法Z3alpha,以低成本高效探索策略空间,在多个基准上超越FastSMT、默认Z3和CVC5。
2024-04-30 cs.AI cs.LO cs.SE
Neuro-Symbolic Compliance: Integrating LLMs and SMT Solvers for Automated Financial Legal Analysis
Department of Management Information Systems, National ChengChi University, Taipei, Taiwan(管理信息系,中华大学,台北,台湾);Department of Electrical Engineering, National Taiwan University, Taipei, Taiwan(电子工程系,台湾大学,台北,台湾)
本研究整合大语言模型与SMT求解器,提出神经符号合规框架,用于自动化金融法律分析,实现形式可验证性和基于优化的合规修正。
2026-01-07 cs.AI cs.FL cs.LG
A Hybrid SMT-NRA Solver: Integrating 2D Cell-Jump-Based Local Search, MCSAT and OpenCAD
Peking University(北京大学);Zhongguancun Laboratory(中关村实验室)
本文提出了一种用于 SMT-NRA 的混合求解框架,通过引入二维单元跳跃的局部搜索方法,并结合 MCSAT 与 OpenCAD 进行信息交换,有效提升了搜索效率与求解性能。
2026-11-02 cs.AI cs.LO cs.SC
Translating Answer-Set Programs into Bit-Vector Logic
Aalto University School of Science(阿尔托大学理学院)
答案集编程(ASP)是一种用于声明性问题解决的范例,其中问题首先被形式化为规则集,即,答案集程序,在一个统一的方式,然后通过计算程序的答案集解决。可满足性模理论(SMT)框架遵循类似的建模哲学,但语法是基于命题逻辑的扩展,而不是规则。最近,提供了从答案集程序到差分逻辑的翻译-使特定SMT求解器能够用于答案集的计算。在本文中,翻译的另一个SMT片段,即固定宽度的位向量理论的基础上进行了修改。因此,甚至可以利用更多的SMT求解器来计算答案集。初步的实验比较的结果也报告。他们建议的性能水平,这是通过不同的逻辑实现类似。
2011-08-30 cs.AI cs.LO
Neuro Symbolic Reasoning for Planning: Counterexample Guided Inductive Synthesis using Large Language Models and Satisfiability Solving
Florida International University(佛罗里达国际大学);SRI International(SRI国际(斯坦福国际研究院));United States Military Academy(美国军事学院(西点军校));University of Colorado Boulder(科罗拉多大学博尔德分校);University of Central Florida(中佛罗里达大学);Vanderbilt University(范德堡大学)
本文提出 LLM 与 SMT 求解器迭代交互的神经符号框架,通过反例反馈修正规划综合结果,并在积木规划任务中验证其可生成可证明正确的解。
2023-09-28 cs.AI cs.LO
Can LLM Aid in Solving Constraints with Inductive Definitions?
本文提出一种神经符号方法,利用大语言模型生成辅助引理,提升求解涉及归纳定义的约束的能力,实验表明其在证明任务上的有效性。
2026-03-12 cs.AI cs.LO
Neurosymbolic Auditing of Natural-Language Software Requirements
Stevens Institute of Technology(史蒂文斯理工学院)
本文提出神经符号方法用于审计自然语言软件需求,通过形式逻辑转换和SMT求解器检测歧义与不一致,提升医疗设备软件需求的严谨性。
2026-05-13 cs.AI cs.SE
SOVER: Formal Certification of Optimization Reformulations via LLM-Assisted SMT Verification
TCS Research(塔塔咨询服务研究中心);Indian Institute of Technology Bombay(印度理工学院孟买分校)
提出LLM辅助的SMT框架SOVER,结合Z3与dReal工具,在NLEquiv-150基准上以99.33%准确率验证优化问题重述的等价性,解决经验验证不可靠的问题。
2026-09-02 cs.AI cs.LG math.OC