SAT solvers
PulseAugur coverage of SAT solvers — every cluster mentioning SAT solvers across labs, papers, and developer communities, ranked by signal.
-
G-RRM 求解器将数独速度提升 33 倍；GitHub 存储库已标记行业代码
一种名为 G-RRM 的新方法通过将神经网络推理模型与传统 SAT 求解器集成，在解决数独谜题方面实现了 33 倍的速度提升。然而，这种性能提升取决于求解器有效排除错误路径的能力，而当这种能力受损时，速度提升会显著降低。另外，一个项目已用北美行业分类系统 (NAICS) 代码标记了超过 6,500 个 GitHub 存储库，旨在促进对开源代码起源的研究。
-
SAT求解器指标未能预测人类数图难度
一篇新研究论文探讨了计算工作量与人类感知数图（Nonogram）难度之间的关系。该研究将数图表述为约束满足问题，并使用SAT求解器来衡量算法工作量。然而，结果显示这些求解器指标与人类报告的难度或行为信号之间没有显著相关性。研究确实发现专业知识会影响这种关系，并强调了人类解决策略优先考虑复杂传播而非求解器测量的复杂性。
-
新工具将SAT求解器证书导入Lean 4定理证明器
研究人员开发了LRAT-Catcher，一个将SAT求解器证书导入Lean 4定理证明器的工具。该工具利用一个形式化验证的LRAT检查器，通过反射编译为原生代码，使其能够处理比Mathlib的证明项导入更大的实例。LRAT-Catcher还支持在Lean中进行分块求解，将反驳与覆盖完整性证书结合成一个单一的不满足定理。该工具已被用于在Lean中建立Schur数S(4)和Ramsey数R(4,4)作为定理。
-
LLM自动优化SAT求解器，性能提升40%
研究人员开发了AutoModSAT，一个利用大型语言模型（LLM）自动优化复杂SAT求解器的新框架。该方法结合了LLM兼容的模块化求解器设计、无监督提示优化和进化算法。实验表明，AutoModSAT显著提高了性能，比基线求解器提高了40%，比最先进的求解器提高了30%，展示了LLM在优化任务中发现启发式方法的潜力。