G-RRM은 재귀적 추론 모델을 사용하여 제약 조건 만족을 위한 기호 솔버를 안내합니다

저자들은 신경기호 접근법인 G-RRM을 제안했습니다. 이는 기호 등변 재귀적 추론 모델(SE-RRMs)과 고전적인 기호 솔버를 통합하여 제약 조건 만족 문제의 탐색 효율성을 향상시킵니다. SE-RRMs은 솔루션 제안을 생성하여 백트래킹 또는 Glucose 4.1 및 CaDiCaL 3.0.0과 같은 SAT 기반 방법을 안내하는 신경 솔버로 작동합니다.

• G-RRM의 효용성은 광범위한 조합 탐색 공간과 분기 선택을 동적으로 덮어쓸 수 있는 솔버 아키텍처가 필요합니다.
• SE-RRMs이 91.1%의 인스턴스를 해결하는 $9\times9$ 스도쿠에서 백트래킹은 33.3배 가속화되고 Glucose 4.1은 1.70배 가속화됩니다.
• Glucose 4.1은 완벽한 힌트가 있는 $25\times25$ 그리드에서 1.17배의 속도 향상을 유지합니다.
• CaDiCaL 3.0.0은 주입된 힌트를 덮어쓰지 않고 항상 존중하기 때문에 유의미한 속도 향상을 보이지 않습니다.

이러한 결과는 신경 안내가 기호 솔버의 실제적인 실행 시간 단축으로 이어지는 특정 영역을 명확히 합니다.