G-RRM memandu pemecah simbolik dengan model penalaran berulang untuk kepuasan kendala

Para penulis mengusulkan G-RRM, sebuah pendekatan neuro-simbolik yang mengintegrasikan model penalaran berulang ekuivarian simbol (SE-RRMs) dengan pemecah simbolik klasik untuk meningkatkan efisiensi pencarian untuk masalah kepuasan kendala. SE-RRMs bertindak sebagai pemecah neural yang menghasilkan proposal solusi untuk memandu backtracking atau metode berbasis SAT seperti Glucose 4.1 dan CaDiCaL 3.0.0.

• Efikasi G-RRM memerlukan ruang pencarian kombinatorial yang luas dan arsitektur pemecah yang mampu menimpa pilihan percabangan secara dinamis.
• Pada Sudoku $9\times9$, di mana SE-RRMs menyelesaikan 91,1% dari instance, backtracking dipercepat 33,3x dan Glucose 4.1 sebesar 1,70x.
• Glucose 4.1 mempertahankan percepatan 1,17x pada grid $25\times25$ dengan petunjuk sempurna.
• CaDiCaL 3.0.0 tidak menunjukkan percepatan signifikan karena selalu menghormati petunjuk yang disuntikkan daripada menimpanya.

Hasil-hasil ini menggambarkan rezim spesifik di mana panduan neural diterjemahkan menjadi percepatan waktu dinding yang praktis untuk pemecah simbolik.