Efficient Partial Order CDCL Using Assertion Level Choice Heuristics
Université du Québec à Montréal（魁北克大学蒙特利尔分校）
我们以前设计的偏序冲突驱动子句学习（PO-CDCL），可满足性求解CDCL算法的一个变化与决策层上的偏序，并表明它可以加快决策层之间具有高度独立性的问题的解决。本文对PO-CDCL效率的原因进行了较为深入的分析。特别重要的是，偏序为断言级别引入了几个候选。通过评估这种选择不同的启发式算法，我们表明，断言级别的选择有重要的影响，解决和精心设计的启发式可以显着提高性能的相关基准。
2013-01-31 cs.AI cs.LO
Revisiting the Learned Clauses Database Reduction Strategies
CRIL - CNRS（CRIL - 法国国家科学研究中心）；Université d’Artois（阿图瓦大学）
在本文中，我们重新审视一个重要的问题，基于CDCL的SAT求解器，即学习子句数据库管理策略。我们的动机是从一个简单的观察随机和大小有界的减少策略的显着表现的来源。我们首先推导出一个简单的约简策略，称为大小有界随机策略（简称SBR），它结合了maintaing短子句（大小由k限制），同时删除大小大于k的随机子句。由此产生的战略优于国家的最先进的，即基于LBD的一个，从最后的SAT竞争的SAT实例。加强保持短条款的兴趣，我们提出了几个新的动态变量，我们讨论了它们的性能。
2014-02-09 cs.AI
Accelerating Discrete Facility Layout Optimization: A Hybrid CDCL and CP-SAT Architecture
University of Alabama in Huntsville（阿拉巴马大学亨茨维尔分校）
本文提出一种混合CDCL和CP-SAT架构，通过利用CDCL的快速可行性检测能力提升离散布局优化效率，结合CP-SAT实现精确优化。
2026-05-07 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
Effectiveness of pre- and inprocessing for CDCL-based SAT solving
Universität zu Köln（科隆大学）
在搜索之前和搜索过程中应用预处理和内处理技术来简化CNF公式可以大大提高现代SAT求解器的性能。这些算法主要旨在减少公式中的子句、文字和变量的数量。然而，为了值得，它们的附加运行时间必须不超过在后续SAT求解器执行期间保存的运行时间。在本文中，我们调查的效率和实用性选择的简化算法的CDCL为基础的SAT求解。我们首先分析他们的CNF公式和SAT解决所有的预期影响。在现实世界和组合SAT实例上测试它们的同时，我们展示了哪些技术和它们的组合产生了理想的加速，哪些应该避免。
2013-10-17 cs.AI cs.LO
Towards Learned Clauses Database Reduction Strategies Based on Dominance Relationship
Clermont Auvergne University（克莱蒙奥弗涅大学）；CNRS（法国国家科学研究中心）
子句学习是冲突驱动子句学习（CDCL）SAT求解器的重要组成部分之一，在工业实例中非常有效。由于在最坏的情况下，学习子句的数量被证明是指数的，所以有必要识别最相关的子句来保持和删除不相关的子句。据文献报道，已经提出了几种学习子句删除策略。然而，在每个缩减步骤中要删除的子句的数量以及使用每个策略获得的结果的多样性造成了确定哪个标准更好的混乱。因此，在搜索步骤期间选择要移除哪些学习子句的问题仍然非常具有挑战性。在本文中，我们提出了一种新的方法来确定最相关的学习条款，而不赞成或排除任何建议的措施，但通过采用这些措施之间的优势关系的概念。我们的方法绕过了结果多样性的问题，并在对这些措施的评估之间达成了妥协。此外，所提出的方法还避免了另一个非平凡的问题，这是在学习子句数据库的每次减少要删除的子句的量。
2017-05-31 cs.AI
Cache Performance Study of Portfolio-Based Parallel CDCL SAT Solvers
Universidad Católica de la Santísima Concepción（康塞普西翁天主教圣母大学）；Universidad de Concepción（康塞普西翁大学）
并行SAT求解器正在成为主流。他们的表现使他们连续两次赢得SAT比赛，并成为研究和工业界的焦点。问题是，我们并不确切地知道需要什么才能让他们表现得更好;也就是说，如何让他们在更短的时间内解决更多的问题。此外，也不知道它们在大规模多核环境中的扩展情况如何，可以预见的是，这是新硬件出现的情况。在本文中，我们表明，缓存争用是一个减缓可扩展性的罪魁祸首，并提供经验的结果，对于某些类型的搜索，物理共享线程之间的子句数据库是有益的。
2013-09-12 cs.AI cs.DC
An Experimental Study of Permanently Stored Learned Clauses
Simon Fraser University（西蒙菲莎大学）
现代CDCL SAT求解器能够快速学习子句，一个重要的启发式算法是子句删除方案。大多数当前的求解器都有两个（或更多）子句存储。一个是永远不会删除的“有价值”条款。大多数学习子句被添加到另一个子句中，并使用积极的删除策略来限制其大小。MapleSAT家族中的最新求解器具有相对复杂的删除方案，并且表现良好。许多求解器只永久存储二进制子句，但MapleLCMDistChronoBT永久存储具有小LBD的子句。我们报告了MapleLCMDistChronoBT中永久子句存储的实验研究。我们观察到，这个商店可以得到相当大，但几种方法限制其大小降低性能。我们还表明，备用大小和LBD为基础的标准提高性能，同时仍然有大型永久商店。特别是，将子句的大小保存到8，并添加少量的高中心性子句，这两种方法都提高了性能，使用这两种方法都有最好的改进。
2021-10-27 cs.AI cs.LO
Explaining SAT Solving Using Causal Reasoning
National University of Singapore（新加坡国立大学）；Chennai Mathematical Institute（金奈数学研究所）；IAI, TCG-CREST（TCG-CREST 人工智能研究所）
针对CDCL算法缺乏理论解释、部分场景求解能力存疑的问题，提出CausalSAT方法，通过因果推理构建求解器组件因果图，验证经验法则并解答求解器实现相关问题。
2023-06-09 cs.AI
Relating Complexity-theoretic Parameters with SAT Solver Performance
University of Waterloo（滑铁卢大学）；University of Texas at Austin（德克萨斯大学奥斯汀分校）；Microsoft Research（微软研究院）；University of Toronto（多伦多大学）
多年来，复杂性理论家提出了许多结构参数来解释冲突驱动子句学习（CDCL）SAT求解器在各种大型工业布尔实例上的惊人效率。虽然这些参数中的一些已经进行了实证研究，但到目前为止，还没有一个统一的比较研究，其解释力的综合基准。我们通过对近7000个工业和精心制作的公式进行大规模的CDCL SAT求解器性能实证评估来纠正这种状况，这些公式针对几个结构参数，如后门，树宽，骨干和社区结构。我们的研究导致了几个结果。首先，我们表明，虽然这些参数与CDCL求解时间只有弱相关性，但它们的某些组合会产生更好的回归模型。其次，我们展示了一些参数如何可以作为一个“镜头”，以更好地了解不同的解决算法的效率。最后，我们提出了一个新的复杂性理论参数，我们称之为学习敏感的重启（LSR）后门，扩展了学习敏感（LS）后门的概念，将重启和讨论算法来计算它们。我们从数学上证明，对于某些类别的情况下，最小LSR后门是指数小于最小LS后门。
2017-06-26 cs.AI
Integrating Conflict Driven Clause Learning to Local Search
Université Lille-Nord de France（里尔北部大学）；CRIL - CNRS UMR 8188（法国国家科学研究中心CRIL UMR 8188）
本文介绍了一种新的命题可满足性混合求解方法SatHyS（SAT混合求解器）。它结合了局部搜索和冲突驱动的小句学习（CDCL）方案。每当局部搜索部分达到局部最小值时，启动CDCL。对于SAT问题，它表现得像一个禁忌列表，而对于UNSAT问题，CDCL部分试图专注于最小不可满足子公式（MUS）。实验结果表明，良好的性能在许多类的SAT实例，从过去的SAT比赛。
2009-10-07 cs.AI
IGMaxHS -- An Incremental MaxSAT Solver with Support for XOR Clauses
Hamburg University of Technology (TUHH)（汉堡工业大学（TUHH））
本文提出IGMaxHS，一种支持XOR约束的增量MaxSAT求解器，通过高斯消元与接口扩展实现量子纠错所需的求解能力，并在模糊测试中表现最优，可解码量子颜色码。
2024-10-21 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
IntSat: Integer Linear Programming by Conflict-Driven Constraint-Learning
Barcelogic
本文将 SAT 求解中的冲突驱动子句学习技术扩展到整数线性规划，提出 IntSat 方法并给出基础实现，证明其可作为现有 ILP 求解器的有效补充。
2024-02-16 cs.AI
SAT-based Analysis of Large Real-world Feature Models is Easy
University of Waterloo（滑铁卢大学）；Institute of Mathematical Sciences（数学科学研究所）
现代冲突驱动子句学习（CDCL）布尔SAT求解器提供了从汽车到操作系统的系统的真实世界特征模型（FM）的有效自动分析。众所周知，基于求解器的分析现实世界的FM规模非常好，即使从这样的FM获得的SAT实例是大的，并且相应的分析问题是NP完全的。为了更好地理解为什么SAT求解器如此有效，我们系统地研究了一组具有代表性的大型现实世界FM的许多句法和语义特征。我们发现，大型真实世界FM易于分析的一个关键原因是这些模型中的绝大多数变量都是不受限制的，即，对于在当前部分分配下对这些变量的真和假分配，模型都是可满足的。鉴于这一发现和我们对CDCL SAT求解器的理解，我们表明求解器可以很容易地为这些模型找到满意的分配，而不会有太多相对于模型大小的回溯，这解释了为什么求解器的规模如此之大。进一步的分析表明，在这些真实世界模型中存在不受限制的变量可以归因于它们的高度可变性。此外，我们还尝试了一系列众所周知的非回溯简化，这些简化在解决FM时特别有效。简化后剩下的变量/子句（称为核心）非常少，即使使用回溯也很容易解决，进一步加强了我们的结论。
2015-07-29 cs.AI cs.SE
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
Community-based 3-SAT Formulas with a Predefined Solution
Anhui Province Key Laboratory of Software Engineering in Computing and Communication（安徽省计算与通信软件工程重点实验室）；School of Computer Science and Technology（计算机科学与技术学院）；University of Science and Technology of China, China（中国科学技术大学，中国）
对于SAT求解器的测试和开发来说，使用预定义的解决方案生成精心制作的SAT公式是至关重要的，因为现实世界中的许多SAT公式都有解决方案。虽然已经提出了一些生成算法来生成具有预定义解的SAT公式，但是没有考虑SAT公式的社区结构。我们提出了一个3-SAT公式生成算法，不仅保证存在一个预定义的解决方案，但也同时考虑社区结构和子句分布。所提出的3-SAT公式生成算法通过控制（1）其变量具有共同社区的子句的数量（我们称之为社区内子句）和（2）仅属于一个社区的变量的数量（我们称之为社区内变量）来控制社区结构的质量。为了研究社区结构和子句分布对SAT公式硬度的综合影响，我们测量了两个求解器，gluHack（领先的CDCL求解器）和CPSparrow（领先的SLS求解器），在不同的参数设置组下生成的SAT公式的求解运行时间。通过大量的实验，我们得到了一些值得注意的结果：（1）对于CPSparrow，社团结构对SAT公式的硬度影响很小，但对于gluHack，社团结构对SAT公式的硬度影响很大。(2)只有当SAT公式中的真文字在预定义解方面的比例为0.5时，SAT公式对于gluHack是难以求解的;当该比例低于0.5时，SAT公式对于CPSparrow是难以求解的。(3)当子句数与变量数之比约为4.25时，SAT公式对于gluHack和CPSparrow都难以求解。
2019-02-26 cs.AI
DeepCDCL: An CDCL-based Neural Network Verification Framework
Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所）；University of Chinese Academy of Sciences（中国科学院大学）；The University of Liverpool（利物浦大学）
本文提出基于CDCL算法的神经网络验证框架DeepCDCL，通过异步子句学习与管理结构减少冗余耗时，在ACAS Xu和MNIST数据集上实现显著加速。
2024-03-12 cs.AI cs.LG
On Improving the Backjump Level in PB Solvers
LIX (Laboratoire d’Informatique de l’X), École Polytechnique（巴黎综合理工学院计算机实验室（LIX），巴黎综合理工学院）
当前PB求解器实现了许多受现代SAT求解器的CDCL体系结构启发的技术，从而受益于其实际效率。然而，他们还需要处理这样一个事实，即当考虑PB约束时，这种架构所利用的许多属性不再为真。在本文中，我们专注于这些属性之一，即所谓的第一个唯一蕴涵点（1-UIP）的最优性。虽然这是众所周知的，学习冲突分析过程中产生的第一个断言子句，确保在SAT求解器中执行尽可能高的backjump，我们表明，在PB约束的存在下，没有这样的保证。我们还介绍和评估不同的方法，旨在提高backjump的水平，在冲突分析过程中确定，允许继续分析后，达到1-UIP。我们的实验表明，次优backjumps是相当常见的PB求解器，即使他们的影响求解器是不清楚的。
2021-07-27 cs.AI
Learning to Rank the Initial Branching Order of SAT Solvers
KTH Royal Institute of Technology（皇家理工学院）；Kempner Institute at Harvard University（哈佛大学肯普纳研究所）；Mohamed Bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
本文提出利用图神经网络预测SAT求解器初始分支顺序，以提升求解效率，但发现其在复杂实例上效果受限。
2026-03-07 cs.AI cs.LO
Community Structure in Industrial SAT Instances
UdL（莱里达大学）；UPC（加泰罗尼亚理工大学）；Universidad de Granada（格拉纳达大学）；CSIC（西班牙国家研究委员会）；Univ. Bordeaux（波尔多大学）；CNRS（法国国家科学研究中心）；Bordeaux INP（波尔多国立理工学院）
现代SAT求解器在解决工业实例方面取得了显着进展。大多数技术都是经过密集的实验过程开发出来的。据信，这些技术利用了工业实例的底层结构。然而，很少有作品试图准确地描述这种结构的主要特征。复杂网络研究界已经开发出分析技术和算法来研究可供SAT社区使用的真实世界图。最近，已经有一些尝试来分析复杂网络方面的工业SAT实例的结构，目的是解释SAT解决技术的成功，并可能改进它们。在本文中，复杂网络的结果的启发，我们研究的社区结构，或模块化，工业SAT实例。在一个具有清晰社区结构或高模块化的图中，我们可以找到一个将其节点划分为社区的分区，使得大多数边连接同一社区的变量。在我们的分析中，我们表示SAT实例的图形，我们表明，大多数应用程序的基准测试的特点是高模块化。相反，随机SAT实例更接近经典的Erdös-Rényi随机图模型，其中没有结构可以观察到。我们还分析了这种结构如何演变的CDCL SAT求解器的执行的影响。特别是，我们使用社区结构来检测求解器在搜索过程中学习到的新子句有助于破坏公式的原始结构。也就是说，习得性从句倾向于包含不同社区的变量。
2019-07-17 cs.AI cs.SI
Concurrent Cube-and-Conquer
Delft University of Technology（代尔夫特理工大学）；University of Texas at Austin（德克萨斯大学奥斯汀分校）；Johannes Kepler University Linz（约翰内斯·开普勒大学林茨分校）
最近的工作介绍了立方体和征服的技术来解决硬SAT的情况下。它使用前瞻求解器将搜索空间划分为立方体。每个立方体处理的冲突驱动的条款学习（CDCL）解决方案。对于强大的性能至关重要的是决定何时从前瞻切换到CDCL的截止启发式。然而，这种离线启发式方法远非理想。在本文中，我们提出了一种新的混合求解器，同时适用于立方体和征服步骤。前瞻和CDCL求解器在每个立方体上一起工作，而通信仅限于同步。我们的并行立方体和征服求解器可以解决许多实例比纯前瞻，纯CDCL和离线立方体和征服，并可以提前中止有利于一个纯CDCL搜索，如果一个实例是不适合立方体和征服技术。
2014-02-18 cs.AI cs.DS
G-CSEA: A Graph-Based Conflict Set Extraction Algorithm for Identifying Infeasibility in Pseudo-Boolean Models
Sprinklr AI
提出基于图的冲突集提取算法G-CSEA，通过构建蕴含图追踪冲突约束，高效识别伪布尔排班模型中的不可行性，并可结合QuickXplain生成不可约不可行子集。
2025-09-16 cs.AI
AutoSAT: Automatically Optimize SAT Solvers via Large Language Models
Fudan University（复旦大学）；paradigm Inc.（第四范式公司）；Tsinghua University（清华大学）
本文提出 AutoSAT 框架，利用大型语言模型在模块化搜索空间中自动优化 CDCL SAT 求解器的启发式方法，实验证明其能提升求解器性能，并在多个数据集上超越 MiniSat 和 Kissat。
2024-11-13 cs.AI
Four algorithms for propositional forgetting
Sapienza University of Rome（罗马第一大学）
四个算法的命题遗忘进行了比较。第一个执行所有可能的解决方案，并删除包含要忘记的变量的子句。第二种方法通过解析并删除所有解析该变量的子句来忘记变量。第三个输出的结果，所有可能的线性解决方案的变量忘记。第四个模块根据回溯搜索期间的矛盾点生成一个子句。后者成为赢家，第二个和第一个在特定情况下发挥一定作用。线性分辨率算法在此实现中表现不佳。
2022-04-13 cs.AI cs.LO
Improve SAT-solving with Machine Learning
Davidson College（戴维森学院）
在这个项目中，我们的目标是改进Minisat的运行时间，Minisat是一个基于逻辑驱动的子句学习（CDCL）求解器，可以解决命题布尔可满足性（SAT）问题。我们首先使用逻辑回归模型来预测命题布尔公式的可满足性，在每个公式中固定一定比例的变量值。然后，我们应用逻辑模型，并添加了一个预处理期间Minisat使用蒙特卡洛方法来确定每个布尔变量的首选初始值（真或假）。具体地说，对于每个Monte-Carlo试验，我们固定了随机选择的变量的一定比例的值，并计算了所得到的子公式满足我们的逻辑回归模型的置信度。每个变量的初始值是根据从该变量的字面量开始的试验的平均置信分数设置的。我们特别感兴趣的是如何正确设置主干变量的初始值，这些变量在SAT公式的所有解中都具有相同的值。我们的Monte-Carlo方法能够正确设置78%的主链。扣除预处理时间后，与Minisat的默认设置相比，Minisat处理可满足公式的运行时间减少了23%。然而，我们的方法在运行时并没有优于vanilla Minisat，因为冲突的减少被预处理期间的长运行时间所抵消。
2017-10-30 cs.AI cs.LO
Deeply Optimizing the SAT Solver for the IC3 Algorithm
Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Advanced Computing and Intelligence Engineering, Wuxi, China（无锡先进计算与智能工程学院）；Beijing Forestry University（北京林业大学）
针对IC3算法中SAT查询的独特特征，提出变量决策子集计算、桶替代VSIDS二元堆、支持无额外激活变量的临时子句三项优化，集成于轻量级CDCL求解器GipSAT，使基于它的IC3求解速度比基于MiniSat的版本平均提升3.61倍。
2025-05-21 cs.AI cs.LO
Boolean Satisfiability via Imitation Learning
McMaster University（麦斯特大学）；Xi’an Jiaotong University（西安交通大学）
ImitationSAT通过模仿学习提升CDCL求解器性能，减少传播次数和运行时间，优于现有学习方法。
2026-02-21 cs.AI cs.LG
Massively Parallel Continuous Local Search for Hybrid SAT Solving on GPUs
National University of Singapore（新加坡国立大学）；Rice University（莱斯大学）
提出FastFourierSAT，一种基于FFT卷积并行计算初等对称多项式的GPU加速混合SAT求解器，梯度计算速度提升100倍以上，并在大规模实例上表现优异。
2023-08-29 cs.AI cs.DC cs.IT
Solving Satisfiability of Polynomial Formulas By Sample-Cell Projection
School of Mathematical Sciences, Peking University（北京大学数学科学学院）；Peking University（北京大学）
提出了一种判定实数上多项式公式可满足性的新算法。该算法的关键是一个新的投影算子，称为样本单元投影算子，定制的搜索驱动子句学习（CDCL）风格的搜索。虽然新算子也是CAD（柱形代数分解）类投影算子，其计算包含给定样本的单元（不一定是圆柱的），使得来自问题的每个多项式在单元上是符号不变的，但是它具有单指数时间复杂度。样本细胞投影算子可以有效地引导CDCL风格的搜索远离冲突状态。实验证明了新算法的有效性。
2020-03-04 cs.AI cs.LO cs.SC
NeuroBack: Improving CDCL SAT Solving using Graph Neural Networks
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
本文提出 NeuroBack，通过离线 GNN 一次性预测变量相位并增强 Kissat，仅用 CPU 即可在 SATCOMP-2022/2023 上分别多求解 5.2% 和 7.4% 的问题。
2024-05-08 cs.AI cs.LG
A Reinforcement Learning based Reset Policy for CDCL SAT Solvers
University of Waterloo（滑铁卢大学）
本文将CDCL SAT求解器的重置触发问题建模为多臂老虎机问题，提出基于UCB和Thompson sampling的强化学习自适应重置策略，并引入部分重置概念，实验证明该方法显著提升了求解性能。
2024-04-19 cs.AI cs.LG cs.LO
LLMs Remember First, Forget Last: Dual-Process Interference in Large Language Models
Thomson Reuters（汤姆森路透）
研究探讨了大型语言模型在面对冲突信息时的记忆保留机制，发现前瞻性干扰主导后置性干扰，揭示了Transformer注意力机制中的优先效应。
2026-08-11 cs.AI cs.CL cs.IR
