boolean satisfiability problem
PulseAugur coverage of boolean satisfiability problem — every cluster mentioning boolean satisfiability problem across labs, papers, and developer communities, ranked by signal.
-
论文认为自然启发数学创新，证明了LLM规模的合理性
一篇新论文提出，人类的数学创新源于与自然世界的模式匹配，而非仅仅依靠纯粹的推理。作者认为，逻辑系统的复杂性和棘手性，即使是对于布尔可满足性问题这样的难题，也需要从物理学和生物学中汲取灵感。这一观点表明，大型语言模型的规模之所以合理，是因为它们能够嵌入广泛的跨领域模式，这与人类创造力所需的认知必要性相呼应。
-
人工智能需要自然的模式来进行数学创造，而不仅仅是逻辑
一项新假说提出，人类的数学推理，除了纯粹的演绎推理外，在根本上依赖于从外部领域（尤其是自然界）进行的模式匹配。这是因为纯粹的推理面临着不可判定性和计算棘手性带来的局限。历史上的例子，例如傅里叶变换的发展，说明了物理学问题如何激发了纯粹逻辑本身无法预见的数学创新。该论文认为，这种对受物理学启发的模式匹配的依赖是一种认知必需，这意味着旨在达到人类水平数学创造力的人工智能系统必须整合海量的跨领域模式，这证明了当前大型语言模型的规模是合理的。
-
新论文分析了二值化神经网络的鲁棒性验证复杂性
本文研究了二值化神经网络（BNN）验证问题的计算复杂性。研究人员通过将布尔可满足性问题（SAT）归约到二值化神经网络可满足性问题，证明了其NP-完全性。此外，他们发现均匀图像遮挡会导致分段常数网络输出，从而允许使用多项式时间算法来检查鲁棒性。
-
经过推理训练的大型语言模型展现出超越生成长度的独特内部轨迹
研究人员开发了一种分析经过推理训练的语言模型的内部轨迹的方法，区分了仅仅是花费更多步骤和遵循不同的计算路径。通过调整生成长度，他们发现模型难度与修正后的轨迹几何形状相关，尤其是在编码任务中，与标准的指令微调模型相比，更难的问题在推理模型中显示出更直接的路径。在数学和布尔可满足性问题中也观察到了这种区别，尽管不太明显，这表明推理训练确实可以改变模型的内部处理方式，而不仅仅是长度。