Can $Q$-Learning with Graph Networks Learn a Generalizable Branching Heuristic for a SAT Solver?
University of Oxford(牛津大学);NVIDIA(英伟达)
我们提出了图- $Q$ -SAT,一个分支启发式的布尔SAT求解器训练与基于值的强化学习(RL)使用图神经网络函数逼近。使用Graph- $Q$ -SAT的求解器是完整的SAT求解器,可以提供令人满意的赋值或不可满足性证明,这是许多SAT应用程序所需的。SAT求解器中常用的分支算法在预热期间会做出糟糕的决策,而Graph- $Q$ -SAT则经过训练,可以检查特定问题实例的结构,以便在搜索早期做出更好的决策。训练图- $Q$ -SAT是数据高效的,不需要精心的数据集准备或特征工程。我们训练Graph- $Q$ -SAT使用RL接口与MiniSat求解器,并表明Graph- $Q$ -SAT可以减少2- 3倍的迭代次数来解决SAT问题。此外,它推广到不可满足的SAT实例,以及与5倍以上的变量比它是trainedon. We的问题表明,对于较大的问题,减少迭代次数导致挂钟时间减少,最终目标时,设计算法。我们还显示出积极的zero-shot传输行为时,测试图- $Q$ -SAT的任务家庭不同的训练。虽然需要更多的工作来应用Graph- $Q$ -SAT来减少现代SAT求解设置中的挂钟时间,但这是一个令人信服的概念验证,表明配备图神经网络的RL可以学习SAT搜索的通用分支启发式。
2020-11-25 cs.AI cs.LG
Effective problem solving using SAT solvers
University of Waterloo(滑铁卢大学);Maplesoft(Maplesoft公司);Wilfrid Laurier University(劳里埃大学)
在这篇文章中,我们将演示如何使用计算机代数系统Maple的内置SAT求解器来解决各种问题和谜题。一旦问题被编码到布尔逻辑中,就可以自动找到解决方案(或显示不存在),而不需要实现任何搜索算法。特别是,我们描述了如何解决$n$ -皇后问题,如何生成和解决数独难题,如何解决像爱因斯坦之谜这样的逻辑难题,如何解决15-难题,如何解决最大集团问题,以及寻找希腊-拉丁方。
2019-09-16 cs.AI cs.LO cs.SC
Goal-Aware Neural SAT Solver
Institute of Mathematics;Computer Science University of Latvia
现代神经网络获取有关问题的信息,并仅根据输入值计算输出。我们认为,它并不总是最优的,网络的性能可以显着提高,通过增加一个查询机制,允许网络在运行时间,使几个解决方案的试验,并得到反馈的损失值在每次试验。为了证明查询机制的能力,我们制定了一个无监督的(不依赖于标签)损失函数的布尔可满足性问题(SAT),并从理论上表明,它允许网络提取丰富的信息的问题。然后,我们提出了一个神经SAT求解器与查询机制称为QuerySAT,并表明它优于广泛的SAT任务的神经基线。
2022-05-30 cs.AI cs.LG
Evaluating SAT and SMT Solvers on Large-Scale Sudoku Puzzles
Amherst College(阿默斯特学院)
本研究通过在自研生成的多难度25x25大规模数独谜题上测试,对比了Z3、CVC5等现代SMT求解器与经典SAT求解器的性能,证实SMT求解器表现更优,展现了其在大规模约束满足问题中的应用价值。
2025-01-15 cs.AI cs.LO
Enhancing SAT solvers with glue variable predictions
Amazon Web Services(亚马逊云科技);University of Pittsburgh(匹兹堡大学)
现代SAT求解器通常在一定规模下运行,这使得为每个分支决策查询神经网络变得不切实际。由Selsam和Bjorner提出的NeuroCore提供了一个概念验证,即神经网络仍然可以通过定期重新聚焦基于分数的分支启发式来加速SAT求解器。然而,这项工作受到了一些限制:他们修改后的求解器需要GPU加速,进一步的消融表明它们并不比SATCOMP 2018基准测试中的随机基线更好,并且他们的非sat核心训练目标需要昂贵的数据管道,只能标记相对容易的无法满足的问题。我们解决了所有这些限制,使用一个更简单的网络架构,允许CPU推理甚至具有数百万个子句的大型工业问题,并训练预测{ \em胶水变量}--一个更容易生成标记数据的目标,也可以制定为强化学习任务。我们通过修改最先进的SAT求解器CaDiCaL,通过监督学习提高其在SATCOMP 2018和SATRACE 2019上的性能,以及通过强化学习提高其在SHA-1原像攻击数据集上的性能,来证明我们方法的有效性。
2020-07-06 cs.AI cs.LG cs.LO
Learning a SAT Solver from Single-Bit Supervision
Stanford University(斯坦福大学);Microsoft Research(微软研究院)
我们提出了NeuroSAT,一个消息传递神经网络,学习解决SAT问题后,只被训练为一个分类器,以预测可满足性。虽然它与最先进的SAT求解器没有竞争力,但NeuroSAT可以通过简单地运行更多的迭代来解决比训练过程中看到的更大、更困难的问题。此外,NeuroSAT还可以推广到新的分布;在仅对随机SAT问题进行训练后,在测试时,它可以解决SAT问题编码图着色,团检测,支配集和顶点覆盖问题,所有这些都是在小随机图上的分布范围内。
2019-03-12 cs.AI cs.LG cs.LO
Extending Modern SAT Solvers for Enumerating All Models
本文讨论了在合取范式(CNF)中枚举布尔公式的所有模型的问题。我们提出了一个扩展的CDCL为基础的SAT求解器来处理这个基本问题。然后,我们提供了一个实验评估,我们提出的SAT模型枚举算法,从最后的SAT挑战,并从基于SAT的编码的序列挖掘问题的实例上的可满足的SAT实例。
2013-05-06 cs.AI
ML Supported Predictions for SAT Solvers Performance
Federal Office for Information Security(德国联邦信息安全办公室)
为了对开源SAT求解器CryptoMiniSat在多线程模式下处理难以解决布尔可满足性问题实例时的不确定性终止行为进行分类,收集并分析了内部求解器运行时参数。这些参数的子集已被选择并用作特征向量,以成功地创建机器学习模型,用于对求解器的终止行为进行二进制分类,并对尚未求解的实例进行任何新的求解运行。该模型可用于早期估计的解决尝试属于或不属于类的候选人具有良好的机会快速终止。在这种情况下,运行时特性的活动配置文件的组合似乎反映了求解器的瞬时性能对求解器的解决过程的即时质量的影响。由于前两次求解迭代的运行时参数足以预测成功分数良好的尝试的终止,因此本工作的结果提供了一个有希望的基础,可以进一步开发,以丰富CryptoMiniSat或任何具有AI能力的现代SAT求解器。
2021-12-17 cs.AI cs.CR cs.LG
SAT Heritage: a community-driven effort for archiving, building and running more than thousand SAT solvers
CRIL;Artois University(阿尔图瓦大学);Univ. Bordeaux(波尔多大学);Bordeaux INP(波尔多国立理工学院);CNRS(法国国家科学研究中心)
SAT研究有着悠久的源代码和二进制版本的历史,这要归功于每年组织的竞赛。然而,由于每个竞争周期都有自己的一套规则和发布源代码和二进制文件的特殊方式,编译甚至运行任何求解器可能比看起来更难。此外,到目前为止,已经有超过一千个求解器发布,其中一些是在90年代初发布的。如果SAT社区想要存档并能够跟踪所有创造历史的求解器,它迫切需要部署一项重要的工作。我们建议发起一个社区驱动的努力,存档并允许轻松编译和运行迄今为止发布的所有SAT求解器。我们依靠最好的工具来归档和构建二进制文件(感谢Docker,GitHub和Zenodo),并为此提供一致且简单的方法。多亏了我们的工具,从源代码(或二进制文件)构建(或运行)求解器可以在一行中完成。
2020-06-02 cs.AI
Implementing Efficient All Solutions SAT Solvers
University of Electro-Communications(电气通信大学);Kobe University(神户大学)
所有解SAT(AllSAT)是命题可满足性问题的一个变种。尽管其重要性,AllSAT与其他变体相比相对未被探索。因此,我们调查和讨论AllSAT求解器的主要技术。我们忠实地实现它们,并使用大量的实例和各种类型的求解器(包括少数几个公共软件之一)进行全面的实验。实验结果表明了该算法的特点。我们实现的求解器是公开的,以便其他研究人员可以很容易地通过修改我们的代码来开发他们的求解器,并将其与现有的方法进行比较。
2015-10-02 cs.AI cs.DS cs.LO
Privacy-hardened and hallucination-resistant synthetic data generation with logic-solvers
Australian e-Health Research Centre, Commonwealth Scientific and Industrial Research Organisation(联邦科学与工业研究组织澳大利亚电子健康研究中心);Macquarie University(麦考瑞大学)
本文提出基于SAT求解的逻辑方法Genomator,用于生成隐私强化且抗幻觉的合成基因组数据,在准确率、隐私性和效率上显著优于现有方法,并支持面向不同应用场景的隐私-准确率权衡调优。
2024-10-22 cs.AI cs.CR cs.CY
Proteus: A Hierarchical Portfolio of Solvers and Transformations
Insight Centre for Data Analytics(Insight数据分析中心);University College Cork(科克大学学院)
近年来,解决SAT问题和CSP的组合方法越来越普遍。还有许多不同的编码用于将CSP表示为SAT实例。在本文中,我们利用SAT和CSP求解的进展,提出了一种新的分层投资组合为基础的方法来解决CSP,我们称之为Proteus,不纯粹依赖于CSP求解器。相反,它可以决定最好将CSP问题实例编码为SAT,选择适当的编码和相应的SAT求解器。我们的实验评估使用了一个实例的变形,涉及四个CSP求解器,三个SAT编码,和六个SAT求解器,评估最具挑战性的问题实例从CSP求解器的竞争,涉及全球和内涵的约束。我们表明,显着的性能改善,可以通过利用其他观点和求解器组合解决问题的变形。
2014-02-17 cs.AI
SATzilla: Portfolio-based Algorithm Selection for SAT
University of British Columbia(英属哥伦比亚大学)
人们已经广泛观察到,没有单一的“主导”SAT求解器;相反,不同的求解器在不同的实例上表现最好。我们主张根据每个实例在线做出此决定,而不是遵循为给定实例类选择最佳求解器的传统方法。在以前工作的基础上,我们描述了SATzilla,一种自动化方法,用于构建SAT的每个实例算法组合,使用所谓的经验硬度模型来选择其组成求解器。这种方法将问题实例的分布和一组组件求解器作为输入,并构造优化给定目标函数(例如平均运行时间、已解决实例的百分比或竞赛得分)的投资组合。SATzilla的卓越性能在2007年SAT竞赛中得到了独立验证,我们的SATzilla 07求解器赢得了三枚金牌,一枚银牌和一枚铜牌。在本文中,我们通过使组合构建可扩展和完全自动化,并通过集成本地搜索求解器作为候选求解器,通过预测性能得分而不是运行时,以及通过使用考虑不同类型SAT实例的分层硬度模型来改进它,从而远远超出了SATzilla 07。我们证明了这些新技术的有效性,在广泛的实验结果的数据集,包括最近的SAT比赛的实例。
2011-10-31 cs.AI
Local Consistency and SAT-Solvers
University of Oxford(牛津大学)
局部一致性技术,如k-一致性是约束满足问题的专用求解器的关键组成部分。在本文中,我们表明,使用k-一致性技术的权力,约束满足问题,正是通过使用一个特定的推理规则,我们称之为负超分辨率,标准的直接编码的问题,布尔子句。我们还表明,目前的子句学习SAT求解器将发现在预期的多项式时间的任何不一致,可以推断出从一组给定的子句使用负超解式的固定大小。我们结合这两个结果表明,没有明确设计这样做,目前的子句学习SAT求解器有效地模拟k-一致性技术,为所有固定值的k。然后,我们给出了一些实验结果表明,这个功能允许子句学习SAT求解器有效地解决某些家庭的约束问题,这是传统的约束编程求解器的挑战。
2014-01-18 cs.AI cs.LO
Fudge: A light-weight solver for abstract argumentation based on SAT reductions
University of Koblenz-Landau(科布伦茨-兰道大学);University of Brescia(布雷西亚大学);University of Huddersfield(哈德斯菲尔德大学)
我们提出了福吉,一个抽象的论证求解器,紧密结合可满足性求解技术来解决一系列抽象的论证问题。虽然福吉使用的大多数编码都来自标准的翻译方法,但福吉使用了全新的编码来解决怀疑推理问题。优选的语义和问题WRT。理想语义学
2021-09-07 cs.AI
MatSat: a matrix-based differentiable SAT solver
National Institute of Informatics (NII)(国立情报学研究所);Kyoto University(京都大学)
我们提出了一种新的方法来解决SAT问题,解决SAT问题在向量空间中的成本最小化问题的非负可微成本函数J^sat。在我们的方法中,解决方案,即,满足赋值,对于n个变量的SAT问题,由{0,1}^n中的二进制向量u表示,使J^sat(u)为零。我们通过成本最小化在向量空间R^n中搜索这样的u,即,从初始u_0开始,并在通过牛顿方法迭代更新u的同时将J最小化为零。我们实现了我们的方法作为一个基于矩阵的差分SAT求解器MatSat。虽然现有的主流SAT求解器一个接一个地决定解决方案分配的每个比特,无论是冲突驱动子句学习(CDCL)类型还是随机局部搜索(SLS)类型,但MatSat与它们的根本不同之处在于它在向量空间中连续地接近解决方案。我们进行了一个实验来测量MatSat的可扩展性与随机3-SAT问题,其中MatSat可以找到一个解决方案,n=10^5个变量。我们还使用SAT 2018竞赛的随机基准集和人工随机3-SAT实例集,将MatSat与四个最先进的SAT求解器进行了比较,其中包括2018年SAT竞赛和2019年SAT竞赛的获胜者。结果表明,MatSat在两个测试集上都排在第二位,优于所有CDCL类型的求解器。
2021-08-14 cs.AI
Solving Rubik's Cube Using SAT Solvers
Donghua University(东华大学)
魔方是一种简单易懂的益智游戏,最初被称为“魔方”。这是一个著名的规划问题,已经研究了很长时间。然而,许多简单的属性仍然未知。本文研究了现代SAT求解器是否适用于这个难题。据我们所知,我们是第一个将魔方转化为SAT问题的人。为了减少编码所需的变量和子句的数量,我们用3个或2个布尔变量的新方法代替了6个布尔变量的朴素方法来表示每个面元上的每种颜色。为了能够快速求解魔方,我们在6型圈的基础上,用18子类型圈的分层编码代替了18圈的直接编码。为了进一步加快求解速度,我们将两阶段算法的一些性质编码为附加约束,并通过添加约束子句来限制某些移动序列。仅使用有效编码无法解决这个难题。为此,我们改进了现有的SAT求解器,并开发了一个新的SAT求解器的基础上PrecoSAT,虽然它是只适用于魔方。新的SAT求解器用ALO(\emph{at-least-one})求解策略取代了前视求解策略,并将原问题分解为多个子问题。每个子问题都由PrecoSAT解决。实验结果表明,我们的SAT翻译和新的解决技术是有效的。如果没有有效的SAT编码和新的求解技术,魔方将无法被任何SAT求解器求解。使用改进的SAT求解器,我们总是可以找到一个解决方案的长度为20在一个合理的时间。虽然我们的求解器比使用查找表的Kociemba算法慢,但不需要庞大的查找表。
2011-05-07 cs.AI
GpuShareSat: a SAT solver using the GPU for clause sharing
我们描述了一个SAT求解器使用GPU(CUDA)和CPU与一个新的子句交换策略。CPU运行经典的多线程CDCL SAT求解器。每个CPU线程将它学习的所有子句导出到GPU。GPU大量使用按位操作。它会注意到CPU线程何时使用了子句,并通知该线程,在这种情况下,它会导入该子句。这依赖于GPU针对数百个任务反复测试数百万个子句。所有子句都是彼此独立测试的(这允许GPU大规模并行方法),但是使用逐位操作同时针对所有赋值进行测试。这允许CPU线程只导入对它们有用的子句。我们的求解器是基于葡萄糖浆。实验表明,这导致了强大的性能提升,在SAT 2020竞赛中解决的实例比葡萄糖浆多22个。
2020-12-05 cs.AI
Solving MaxSAT by Successive Calls to a SAT Solver
Cairo University(开罗大学)
最大可满足性(MaxSAT)问题是在合取范式(CNF)中找到使给定布尔公式的满足子句的数目最大化的真值分配的问题。近年来,MaxSAT的许多精确求解器已经开发出来,其中许多都在著名的SAT会议上发表。MaxSAT的算法一般分为两类:(1)分支定界算法和(2)连续调用SAT求解器的算法(基于SAT的),在实际问题中,基于SAT的算法被证明是更有效的。本文提供了一个实验研究,以比较最近的SAT为基础的分支定界算法的MaxSAT评估基准的性能。
2016-03-11 cs.AI cs.CC cs.LO
Evaluating SAT Solver Metrics as Predictors of Human-Perceived Nonogram Difficulty
University of Alberta(阿尔伯塔大学);University of Toronto(多伦多大学)
该研究针对Nonogram谜题验证算法求解器工作量与人类感知难度的关联,通过用户研究发现二者无显著关联,且专业知识会调节该关系,同时揭示人类求解偏好与SAT求解器测量的复杂性存在差异。
2026-08-25 cs.AI cs.HC
Online Search Cost Estimation for SAT Solvers
The University of New South Wales(新南威尔士大学);NICTA(澳大利亚国家信息与通信技术研究院)
我们提出了两种不同的方法来估计解决SAT问题的成本。该方法侧重于回溯求解器的在线行为,以及问题的结构。现代SAT求解器提出了几个挑战,估计搜索成本,包括应对非时序回溯,学习和重新启动。我们的第一种方法采用现有的算法来估计搜索树的大小,以应对这些挑战。然后,我们提出了第二种方法,该方法使用在搜索开始时在线收集的数据上训练的线性模型。我们使用随机和结构化问题比较这两种方法的有效性。我们还表明,在早期重新启动的预测可以用来改善以后的预测。我们的结论表明,解决一组问题的成本可以通过选择一个解决方案,从投资组合的基础上,这样的成本估计减少。
2009-07-29 cs.AI
Improving SAT Solvers via Blocked Clause Decomposition
Donghua University(东华大学)
最具竞争力的CDCL(基于条件驱动的子句学习)SAT求解器使用的决策变量选择策略是VSIDS(可变状态独立衰减和)或其变体,如指数版本EVSIDS。VSIDS及其变体的共同特点是在求解过程中利用了统计信息,而忽略了问题的结构信息。为此,本文对决策变量选择策略进行了改进,提出了一种基于BCD(Blocked Clause Decomposition)的SAT求解技术。其基本思想是一部分决策变量由VSIDS启发式算法选择,另一部分决策变量由BCD算法得到的分块集选择。与现有的基于BCD码的方法相比,该方法简单,不需要对CNF公式进行重新编码。经过认证的UNSAT轨道的SAT解算器也可以应用我们基于BCD的技术。我们的应用程序基准测试的实验表明,新的变量选择策略的基础上BCD可以提高SAT求解器,如abcdSAT的性能。带有BCD的求解器解决了SAT Race 2015中的一个实例,该实例迄今为止尚未被任何求解器解决。这表明在某些情况下,基于结构信息的启发式算法比基于统计信息的启发式算法更有效。
2016-04-02 cs.AI cs.LO
Clause Vivification by Unit Propagation in CDCL SAT Solvers
Huazhong University of Science and Technology(华中科技大学);University of Picardie Jules Verne(皮卡第儒勒·凡尔纳大学);Artificial Intelligence Research Institute (IIIA), Spanish Scientific Research Council (CSIC)(西班牙高等科学研究委员会人工智能研究所(IIIA))
原始和学习的条款,在语句驱动的子句学习(CDCL)SAT求解器往往包含冗余的文字。这可能会对性能产生负面影响,因为冗余文字可能会降低布尔约束传播的有效性和后续学习子句的质量。为了克服这个缺点,我们提出了一个子句活化方法,通过应用单位传播消除冗余的文字。在SAT求解器触发一些选定的重新启动之前,激活所提出的子句活化,并且仅影响原始子句和学习子句的子集,根据文字块距离(LBD)等度量,这些子句被认为是更相关的。此外,我们进行了实证调查的实例来自最近的SAT比赛的硬组合和应用类别。结果表明,显着数量的额外的情况下,解决了所提出的方法被纳入五个最好的表现CDCL SAT求解器(葡萄糖,TC_葡萄糖,COMiniSatPS,MapleCOMSPS和MapleCOMSPS_LRB)。更重要的是,实证研究包括对小句活化的有效性的深入分析。值得一提的是,这里描述的SAT求解器之一在2017年SAT竞赛的主赛道中排名第一,这要归功于引入了拟议的子句vivification。该求解器在本文中得到了进一步的改进,并在2018年SAT竞赛的主赛道上获得铜牌。
2018-07-29 cs.AI cs.LO
Using deep learning to construct stochastic local search SAT solvers with performance bounds
Porsche Digital GmbH(保时捷数字集团)
本文提出利用图神经网络作为或acles,提升SLS求解器性能,通过随机和伪工业SAT实例验证,显著提高求解效率和实例解决数量。
2026-04-16 cs.AI math.OC
Fast Analysis of the OpenAI O1-Preview Model in Solving Random K-SAT Problem: Does the LLM Solve the Problem Itself or Call an External SAT Solver?
University of Florence(佛罗伦萨大学)
本文分析了OpenAI O1-preview模型在求解随机K-SAT问题时的表现,发现其通过调用外部SAT求解器而非直接求解,且输出常含错误赋值,并提出方法量化其展现智能火花还是随机猜测。
2024-09-20 cond-mat.dis-nn cs.AI cs.CL
Hardware Acceleration for Boolean Satisfiability Solver by Applying Belief Propagation Algorithm
University of Michigan(密歇根大学)
布尔可满足性(SAT)在计算机科学中有着广泛的应用领域,特别是在电子设计自动化中的应用。电路综合,优化和验证问题可以通过将原始问题转化为SAT问题来解决。然而,可满足性问题是NP完全问题,目前还没有有效的求解方法,因此需要一种有效的可满足性问题求解器来提高其性能。我们提出了一种硬件加速方法的SAT问题。通过对SAT问题和一类特殊的纠错码--低密度奇偶校验码(LDPC)的译码问题的研究,发现它们都是约束满足问题。置信传播算法已成功地应用于LDPC码的译码,并对相应的译码器硬件设计进行了广泛的研究。因此,我们提出了一种基于置信传播的算法来解决SAT问题。利用该算法,可满足性问题求解器可以通过硬件加速。通过软件仿真验证了算法的有效性,并对算法的性能改进进行了评估.我们的实验结果表明,时间复杂度不增加SAT问题的大小,所提出的方法可以实现至少30倍的速度比MiniSat。
2016-03-16 cs.AI cs.LO
Evidence for Long-Tails in SLS Algorithms
Universität Ulm(乌尔姆大学)
随机局部搜索(SLS)是解决命题逻辑可满足性问题的一个成功范例。这一领域的最新发展涉及解决的不是原来的实例,而是修改后的,但逻辑上等价的一个。从经验上讲,这种技术被认为是有前途的,因为它提高了最先进的SLS求解器的性能。目前,对于这种修改技术如何影响SLS解算器的运行时间只有一个粗浅的了解。因此,我们对这个修改过程进行了建模,并对逻辑等效公式的难度进行了实证分析。我们的结果是双重的。首先,如果修改过程被视为随机过程,则对数正态分布完美地表征了硬度;这意味着硬度是长尾的。这意味着可以通过实现额外的重启机制来进一步改进修改技术。因此,作为第二个贡献,我们从理论上证明,所有表现出这种长尾属性的算法可以通过重新启动进一步改善。因此,可以增强采用这种修改技术的所有SAT求解器。
2021-07-01 cs.AI cs.DS cs.LO
AlphaMapleSAT: An MCTS-based Cube-and-Conquer SAT Solver for Hard Combinatorial Problems
Georgia Institute of Technology, USA(佐治亚理工学院);University of Waterloo, Canada(滑铁卢大学);University of Windsor, Canada(温莎大学)
AlphaMapleSAT通过结合MCTS与演绎反馈,改进了立方与征服SAT求解器,显著提升了解决难题组合问题的效率。
2026-01-20 cs.AI math.CO
Using SMT Solvers to Validate Models for AI Problems
Alexandru Ioan Cuza University of Iaşi(雅西亚历山德鲁·伊万·库扎大学)
人工智能问题,从规划/调度到游戏控制,包括一个重要的关键步骤:描述一个模型,该模型准确定义了问题所需的数据,要求,允许的过渡和既定的目标。模型失败的方式有很多,并且通常会导致搜索策略无法提供快速、最佳甚至任何解决方案。本文提出使用SMT(可满足性模理论)求解器,如Z3,来检查模型的有效性。我们提出两个测试:检查最终(目标)状态是否存在于模型描述的问题空间中,并检查所描述的转换是否可以提供从所识别的初始状态到任何目标状态的路径(意味着已经找到解决方案)。使用SMT求解器进行AI模型检验的优点在于,它们替代了实际的搜索策略,并且它们处理模型的抽象表示,即一组逻辑公式。在抽象层面上进行推理并不像探索整个解决方案空间那样昂贵。SMT求解器使用有效的决策过程,为与AI模型相对应的逻辑公式提供证明。Z3最近添加的一个功能允许我们将转换序列描述为递归函数,因此我们可以检查是否可以在定义的模型中找到解决方案。
2019-03-22 cs.AI cs.LO
HordeQBF: A Modular and Massively Parallel QBF Solver
Karlsruhe Institute of Technology (KIT)(卡尔斯鲁厄理工学院);Vienna University of Technology(维也纳工业大学)
最近开发的大规模并行可满足性(SAT)求解器HordeSAT是以模块化的方式设计的,允许在其核心中集成任何基于顺序CDCL的SAT求解器。我们将基于QCDCL的量化布尔公式(QBF)求解器DepQBF集成到HordeSAT中,得到了一个大规模并行的QBF求解器--HordeQBF。在本文中,我们描述了这种整合的细节和报告的结果HordeQBF的性能的实验评估。HordeQBF在2014 QBF Gallery的硬应用实例上实现了超线性平均和中值加速。
2016-04-13 cs.AI cs.LO
Search for developments of a box having multiple ways of folding by SAT solver
Department of Computer Science, Gunma Univ.(群马大学计算机科学系)
一个多角形被称为一个发展,如果它可以通过折叠形成多角形的单位正方形的边缘来制作一个盒子。众所周知,有些开发可以通过多种方式折叠到一个或多个盒子中。在这项工作中,我们进行了计算机搜索,通过使用SAT求解器找到这样的发展。结果,我们发现了数千个这样的发展,包括一个面积为52的polyomino,它可以用五种不同的方式折叠成一个$1 \times 2 \times 8$大小的盒子。
2020-05-06 cs.AI cs.CG cs.DM
Accelerated Fourier SAT (AFSAT): Fully Realising a GPU-based Symmetric Pseudo-Boolean SAT Solver
School of Computing, Australian National University(澳大利亚国立大学计算机学院)
提出AFSAT,一个基于连续局部搜索的GPU加速伪布尔SAT求解器,通过JAX编译器实现大规模并行化,显著提升数值稳定性、运行速度和内存效率。
2026-06-04 cs.AI cs.LO
MILP-Evo: Closed-Loop Fully Automatic Design of MILP Solvers
BUPT(北京邮电大学);BZA(未提及具体中文名,推测可能是某个机构简称);BIT(北京理工大学);CUHK-Shenzhen(香港中文大学(深圳));PKU(北京大学)
研究能否将MILP求解器逻辑自动设计为LLM引导的闭环搜索,提出闭环程序演化框架,通过PySCIPOpt实现,在割集选择器和分支规则联合设计上实例化,输出可检查修改部署的组件,在多基准测试中发现有竞争力的策略。
2026-07-22 cs.AI cs.NE
A Circuit-Level Amoeba-Inspired SAT Solver
AmbSAT(或AmoebaSAT)是一个生物启发的随机局部搜索(SLS)求解器,用于探索布尔可满足性问题(SAT)的解决方案。AmbSAT在每个迭代步骤中并行更新多个变量,因此AmbSAT可以为特定的SAT实例集找到比其他一些常规SLS求解器更少的迭代步骤数的解。然而,AmbSAT的并行性与通用微处理器不兼容,因为执行每次迭代需要许多时钟周期;因此,AmbSAT需要特殊的硬件,可以利用AmbSAT的并行性来快速找到解决方案。在本文中,我们提出了一个电路模型(硬件友好的算法),探索解决方案,以类似于AmbSAT,我们称之为电路级AmbSAT(CL-AmbSAT)。我们进行了数值模拟,以评估搜索性能的CL-AmbSAT随机生成的SAT实例,旨在估计我们的方法的可扩展性。仿真结果表明,CL-AmbSAT找到的解决方案与更少的迭代次数比一个强大的SLS求解器,ProbSAT,甚至优于AmbSAT。由于CL-AmbSAT使用简单的组合逻辑来更新变量,因此CL-AmbSAT可以很容易地在各种硬件中实现。
2019-11-06 cs.ET cs.NE