该研究论文介绍了一种新的基于随机测试的功能验证方法，该方法在大量的约束条件下能够生成出符合这些条件的测试用例，并提供了经过理论保证且实际上实用的解决方案。
Apr, 2013
提出使用有限独立哈希的新方法来解决 boolean satisfiability 问题，并基于此方法设计了两个实用算法：一个近似均匀生成器和一个可扩展的近似模型计数器，该方法具有强大的理论保证和可扩展性，可适用于不同的应用领域。
Apr, 2014
通过系统的约束求解器的黑盒方案，结合搜索空间的统一探索，我们提出了一种新的采样技术，可以克服采样过程中的诸多困难，形成了自然的近似模型计数技术。
Oct, 2012
本文探讨了一种利用通用哈希和 SAT 求解器的方法，可以在不牺牲正确性保证的同时，处理具有数十万个变量的公式，解决了人工智能中受限采样和计数的两个基本问题，这对于概率推理及规划，约束随机验证等方面有着广泛应用，并探讨一些需要解决的挑战。
Dec, 2015
本文介绍一种名为基于覆盖率反馈的测试选择的自动约束提取和测试选择的新方法，通过选择具有高概率增加功能覆盖率的测试，有助于减少手动约束编写，优先考虑有效测试，降低验证资源消耗，加速大型工业硬件设计的覆盖率闭合。
May, 2022
介绍一种用几何模型来解决多约束条件优化问题的方法，并在布尔可满足性问题和球体堆积问题两个基准测试中说明了其有效性和竞争性。
Dec, 2007
本文中，我们提出了一种混合智能测试方法，结合了 “覆盖向导测试选择” 和 “新颖性驱动验证” 两种方法，以实现高效有效的硬件测试。
该论文研究了随机约束满足问题的解空间结构，并证明了在解消失之前，它们会组成指数数量的簇，并且每个簇都相对较小且相距较远。此外，每个簇内的大部分变量都被冻结，并提出 Survey Propagation 算法的一项重要假设。
Nov, 2006
该研究论文探讨了如何通过增加短的随机奇偶约束来计算公式满足的真实赋值（模型），实现 NP 问题的计数，尤其是当需要添加多个约束时，随机奇偶约束的集合解的几何结构类似于纠错编码，得到了严格的数学保证。
Jul, 2017
应用深度学习解决困难的组合问题具有巨大的潜力。该研究侧重于布尔可满足性（SAT）问题，并通过基本的概率方法消除了由于训练集仅限于小于实际问题规模几个数量级的随机公式导致的难题。使用我们的生成器，我们对现有的最先进模型进行训练，以预测具有 10,000 个变量的公式的可满足性，提出了新的分类器，可以对大多数困难水平的相同数据集进行显着改进，从而打破了过去基于公式的句法特征学习的方法，并使用求解器计算的简短前缀进行学习。
Nov, 2022