arXiv 2202.012912022-02cs.AI

计算机科学与综合：回顾与展望

Computer sciences and synthesis: retrospective and perspective

Scientific Research Institute of System Analysis of Russian Academy of Sciences（俄罗斯科学院系统分析科学研究所）；Lesya Ukrayinka Volyn National University（莱斯娅·乌克兰卡沃林国立大学）

Vladislav Dorofeev, Petro Trokhimchuk

备注：: arXiv admin note: substantial text overlap with arXiv:2111.09762

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

分析了包括控制论、人工智能和系统分析在内的计算机科学中的综合问题。讨论了实现该问题的主要方法。阐述了寻找宇宙创造方法的途径，宇宙综合科学.作为这种通用方法的例子，给出了多度量分析。最后对该研究的进一步发展进行了展望，包括应用度量方法解决计算机科学的主要问题。

英文摘要：

The problem of synthesis in computer sciences, including cybernetics, artificial intelligence and system analysis, is analyzed. Main methods of realization this problem are discussed. Ways of search universal method of creation universal synthetic science are represented. As example of such universal method polymetric analysis is given. Perspective of further development of this research, including application polymetric method for the resolution main problems of computer sciences, is analyzed too.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

MatChat：面向材料科学的大语言模型与应用服务平台

MatChat: A Large Language Model and Application Service Platform for Materials Science

Computer Network Information Center, Chinese Academy of Sciences（中国科学院计算机网络信息中心）；University of Chinese Academy of Sciences（中国科学院大学）；Institute of Physics, Chinese Academy of Sciences（中国科学院物理研究所）；School of Physical Sciences, University of Chinese Academy of Sciences（中国科学院大学物理科学学院）；Songshan Lake Materials Laboratory（松山湖材料实验室）；Center of Materials Science and Optoelectronics Engineering, University of Chinese Academy of Sciences（中国科学院大学材料科学与光电技术中心）

本文基于 LLaMA2-7B 并利用13,878条结构化材料知识数据微调，提出专注无机材料合成路径预测的开源模型与服务平台 MatChat。

2023-10-11cond-mat.mtrl-scics.AI

材料科学假说生成中从图到答案的机制恢复可视化

Visualizing Graph-to-Answer Mechanism Recovery in Materials-Science Hypothesis Generation

Washington University in St. Louis（圣路易斯华盛顿大学）；Oak Ridge National Laboratory（橡树岭国家实验室）；Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室）；UniverseTBD；Massachusetts Institute of Technology（麻省理工学院）；Old Dominion University（奥多明尼昂大学）

本研究针对适配的 Qwen3-8B 模型 Graph-PRefLexOR-8B，构建可视化诊断工作流以追踪材料科学假说生成的图到答案机制，发现机制恢复集中于后期合成及答案起始层，可助力相关人员识别假说的机制支持变化。

2026-08-06cs.AIcs.CL

Science-T2I: 解决图像合成中的科学幻觉

Science-T2I: Addressing Scientific Illusions in Image Synthesis

New York University（纽约大学）；University of Washington（华盛顿大学）；University of Pennsylvania（宾夕法尼亚大学）；University of California, San Diego（加利福尼亚大学圣迭戈分校）

本文提出ScienceT2I数据集，评估18种图像生成模型，发现科学提示能显著提升生成效果，提出SciScore奖励模型和两阶段对齐框架提升科学推理能力。

2026-03-31cs.AIcs.CVcs.LG

Lean 与理论计算机科学的交汇：形式-非形式对中可扩展的定理证明挑战合成

Lean Meets Theoretical Computer Science: Scalable Synthesis of Theorem Proving Challenges in Formal-Informal Pairs

D-CHAB, ETH Zurich, Zurich, Switzerland.；D-INFK, ETH Zurich, Zurich, Switzerland.；ETH AI Center, Zurich, Switzerland.；University of Pennsylvania, PA, USA.；Independent Researcher.

本文提出利用理论计算机科学作为可扩展的严谨证明问题来源，通过算法定义自动生成大量挑战性定理-证明对，展示了在Busy Beaver问题和混合布尔算术问题上的应用，并揭示了自动定理证明在复杂问题上的局限性。

2026-05-18cs.AIcs.CLcs.LG

线性时序逻辑规范的神经元引导程序合成

Towards Neural-Guided Program Synthesis for Linear Temporal Logic Specifications

University of Toronto（多伦多大学）；Vector Institute（向量研究所）

综合实现逻辑规范的程序是计算机科学中的经典问题。我们研究了一种特殊类型的程序合成，其目标是合成一种策略，该策略对潜在的敌对环境做出反应，同时确保所有执行满足线性时序逻辑（LTL）规范。不幸的是，通过逻辑推理解决所谓的LTL合成的精确方法不具有规模。在这项工作中，我们铸造LTL合成作为一个优化问题。我们采用了一个神经网络学习Q函数，然后用来指导搜索，并构建程序，随后验证的正确性。我们的方法在将搜索与深度学习相结合以实现LTL合成方面是独特的。在我们的实验中，学习的Q-函数提供了有效的指导与相对较小的规格的综合问题。

2019-12-31cs.AIcs.FLcs.GT

从文本到测试：面向材料科学仪器的AI生成控制软件

From Text to Test: AI-Generated Control Software for Materials Science Instruments

National Renewable Energy Laboratory (NREL)（国家可再生能源实验室（NREL））

利用ChatGPT-4生成Python控制模块与GUI，集成优化算法，实现半导体IV数据自动采集分析，加速材料科学仪器控制软件开发。

2024-06-25cond-mat.mtrl-scics.AI

更多相关论文收起更多论文

噪声环境下半空间查询合成的近优主动学习

Near-Optimal Active Learning of Halfspaces via Query Synthesis in the Noisy Setting

Yale University（耶鲁大学）；ETH Zürich（苏黎世联邦理工学院）

在本文中，我们考虑的问题，积极学习的线性分类器通过查询合成，学习者可以构建人工查询，以估计真实的决策边界。这个问题最近在自动化科学和对抗性逆向工程中获得了很大的兴趣，其中只有启发式算法是已知的。在这样的应用中，可以重新构造查询以引出信息（例如，自动化科学）或以最小的成本逃避检测（例如，对抗性逆向工程）。我们开发了一个通用框架，称为维度耦合（DC），1）将d维学习问题简化为d-1个低维子问题，2）有效地解决每个子问题，3）适当地聚合结果并输出线性分类器，以及4）为所有可能的聚合方案提供理论保证。所提出的方法被证明是弹性的噪声。我们表明，DC框架避免了维数灾难：它的计算复杂性尺度与维度线性。此外，我们表明，DC的查询复杂度是接近最佳的（在一个常数因子的最佳算法）。为了进一步支持我们的理论分析，我们将DC的性能与现有的工作进行了比较。我们观察到DC在查询复杂度方面始终优于现有技术，同时通常运行速度更快。

2016-11-12cs.AIcs.ITcs.LG

PRISM：作为AI对齐多视角框架的综合与调解视角推理

PRISM: Perspective Reasoning for Integrated Synthesis and Mediation as a Multi-Perspective Framework for AI Alignment

本文提出多视角框架PRISM，通过七种基础世界观和帕累托优化方案解决AI对齐中的价值观冲突与规范博弈，系统记录并调解伦理权衡。

2025-02-05cs.AIcs.CYcs.LG

EgoCoder：基于层次序列神经网络模型的智能程序合成

EgoCoder: Intelligent Program Synthesis with Hierarchical Sequential Neural Network Model

Florida State University（佛罗里达州立大学）；University of Chinese Academy of Sciences（中国科学院大学）

编程一直是计算机科学和其他相关领域的研究人员和从业人员的重要技能。对于初学者来说，要学习基本的编程技能，通常需要长时间的系统训练。根据最近的一份市场报告，预计计算机软件市场将继续以加速的速度扩大，但合格的软件开发人员的市场供应难以满足如此巨大的需求。近年来，文本生成研究的兴起为解决这一难题提供了契机，即通过自动程序合成来解决这一难题。本文从数据采掘的角度对解决程序合成问题进行了尝试。为了解决这个问题，本文将介绍一种新的生成模型，即EgoCoder。EgoCoder有效地将程序代码解析为抽象语法树（AST），其中树节点将包含程序代码/注释内容，并且树结构可以捕获程序逻辑流。基于一种新的单元模型Hsu，EgoCoder可以有效地捕获程序AST中的层次模式和顺序模式。大量的实验将进行比较EgoCoder与国家的最先进的文本生成方法，实验结果表明EgoCoder在解决程序合成问题的有效性。

2018-05-22cs.AIcs.NEstat.ML

Manthan：一种数据驱动的布尔函数综合方法

Manthan: A Data Driven Approach for Boolean Function Synthesis

Indian Institute of Technology Kanpur（印度理工学院坎普尔分校）；National University of Singapore（新加坡国立大学）

布尔函数综合是计算机科学中的一个基本问题，具有广泛的应用，并且在过去十年中引起了人们的极大兴趣，导致技术逐步改进。尽管激烈的算法开发，大量的问题仍然超出了最先进的技术的状态。受机器学习研究进展的启发，我们提出了Manthan，一种新的数据驱动的布尔函数综合方法。Manthan将功能合成视为一个分类问题，依赖于数据生成的约束采样的进步，以及自动推理的进步，以实现新的证明指导的改进和可证明的验证。在对609个基准测试进行广泛而严格的评估后，我们证明Manthan在当前技术水平上有了显著的改进，解决了356个基准测试，而280个是最先进的技术解决的;因此，我们证明了比现有技术水平增加了76个基准。此外，Manthan解决了60个目前最先进的技术都无法解决的基准。显著的性能改进，以及我们的详细分析，突出了未来在机器学习，约束采样和自动推理交叉领域的几个有趣的工作途径。

2020-05-14cs.AIcs.LGcs.LO