Boolean algebra
PulseAugur coverage of Boolean algebra — every cluster mentioning Boolean algebra across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
探讨阿达·洛夫莱斯对人工智能的潜在看法
一篇观点文章探讨了19世纪的数学家和作家阿达·洛夫莱斯（Ada Lovelace）可能如何看待现代人工智能。作者推测，以其在查尔斯·巴贝奇（Charles Babbage）分析机上的工作而闻名的洛夫莱斯，可能会对人工智能的能力着迷，但也会对其局限性和潜在的社会影响保持谨慎。文章将洛夫莱斯对计算的早期构想与当代人工智能的讨论进行了类比。
-
研究人员使用卢卡西维茨逻辑识别深度 ReLU 网络
研究人员采用卢卡西维茨逻辑开发了一种全新的方法来完全识别深度 ReLU 网络。该方法与香农使用布尔逻辑分析开关电路的方法类似，将网络等价性和简化转化为公式推导。该框架包括一个提取算法，将网络转换为替换图；一个用于功能等价公式的完备性定理；以及一个从图返回网络的构造算法。该方法为 MV 逻辑提供了一种新的范式，该范式保留了网络的代数结构。
-
通用Transformer在算法任务中实现完美长度泛化
研究人员开发了一种新颖的通用Transformer架构，能够完美地泛化到算法计算中的任意长度。该模型参数效率高，仅用280个可学习参数即可完成布尔代数任务，它将算法问题概念化为嵌入在Transformer中的电路。通过引入深度跟踪位置编码并采用掩码硬注意力，该模型实现了高效计算和自主停止，在包括布尔表达式、模运算和ListOPS在内的基准测试中展示了精确的长度泛化能力。
-
DeepSeq3框架通过层次化图学习增强电路分析能力
研究人员开发了DeepSeq3，一个用于分析时序电路的新型层次化框架。该方法将电路抽象为两级表示，结合了细粒度子图和模拟寄存器传输结构的高层超级节点图。双图神经网络架构在两个级别上学习表示，捕获局部逻辑和全局状态转换。新颖的以状态为中心的预训练方案增强了模型对时序行为的理解，从而显著提高了可扩展性，并将有界模型检查的求解时间缩短了18%。