作者提出了 G-RRM，这是一种神经符号方法，将符号等变循环推理模型（SE-RRMs）与经典符号求解器集成，以提高约束满足问题的搜索效率。SE-RRMs 作为神经求解器生成解决方案建议，以指导回溯或基于 SAT 的方法，如 Glucose 4.1 和 CaDiCaL 3.0.0。

  • G-RRM 的效能需要广阔的组合搜索空间和能够动态覆盖分支选择的求解器架构。
  • 在 $9\times9$ 数独中，SE-RRMs 解决了 91.1% 的实例，回溯加速了 33.3 倍，Glucose 4.1 加速了 1.70 倍。
  • Glucose 4.1 在完美提示的 $25\times25$ 网格上保持了 1.17 倍的加速。
  • CaDiCaL 3.0.0 没有显示出显著的加速，因为它始终尊重注入的提示而不是覆盖它们。

这些结果划定了神经引导转化为符号求解器实际墙钟加速的具体范围。