English(EN) Identifying Good Rules for Efficient SAT Encodings of Single-Constant Multiplication Using Machine Learning

机器学习加速硬件设计问题的SAT编码

作者 PulseAugur 编辑部 · [1 个来源] · 2026-07-24 04:00

研究人员开发了一个神经符号框架，以提高单常数乘法（SCM）问题的编码效率。该方法使用图神经网络来预测有效的运算符选择规则，显著减少了大型常数的编码时间和内存使用量。该方法在未见的17-32位常数上，编码时间减少了一到两个数量级，内存使用量减少了97%以上，同时保持了接近最优的编码质量。 AI

影响这项研究通过降低复杂优化问题的计算成本，有望带来更高效的硬件设计流程。

排序理由详细介绍优化任务新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Chufeng Jiang (Graduate Center, The City University of New York), Neng-Fa Zhou (Graduate Center, The City University of New York) · 2026-07-24 04:00

利用机器学习识别高效SAT编码的单常数乘法规则

arXiv:2607.21188v1 Announce Type: new Abstract: The Single Constant Multiplication problem is a fundamental NP-hard optimization task in hardware design, which seeks to decompose a fixed constant using only additions, subtractions, and bit-shifts. Although dynamic programming met…