从输入输出示例中合成神经组合逻辑电路

Oct, 2022

从输入输出示例中合成神经组合逻辑电路

Neural Combinatorial Logic Circuit Synthesis from Input-Output Examples

Peter Belcak, Roger Wattenhofer

TL;DR本研究提出了一种新颖的可完全解释的神经方法来合成组合逻辑电路，其特点是可以扩展到归纳情形并成功地学习了多种算术、位运算和信号路由操作，并且对于合成逐渐增大的实际电路始终产生良好的结果。

Abstract

We propose a novel, fully explainable neural approach to synthesis of combinatorial logic circuits from input-output examples. The carrying advantage of our method is that it readily extends to →

explainable neural approach combinatorial logic circuits inductive scenarios logic gates generalize

发现论文，激发创造

基于神经网络的程序综合和验证

提出一种神经网络引导的程序和不变量综合框架，其利用设计和训练神经网络提取出训练神经网络权重和偏置值上的整数逻辑公式，并用于正 / 反例和蕴含约束的公式合成，具有很好的实验结果，并在 ICE-learning-based CHC 求解、程序验证和归纳不变量合成等方面有重要应用。

Mar, 2021

神经符号程序合成

本文提出了一种 Neuro-Symbolic Program Synthesis 技术，通过计算机程序自动构建特定领域的语言。我们通过使用两种新颖的神经模型，交叉相关的 I/O 网络和递归反向递归神经网络，证明了该方法的有效性。

Nov, 2016

通过神经逻辑网络学习算法

提出了一种基于布尔逻辑代数的深度神经网络学习模型，建立了神经逻辑网络模型，可以显式地学习和解释逻辑函数，特别是用于归纳逻辑编程问题的新框架。通过在测试任务上的表现比较，证明了所提供的模型在元素算法任务上的有效性，并且可用于一些基准任务，如有序列表上的排序、十进制加法和乘法。

Apr, 2019

结构化样例的可微归纳逻辑编程

该论文提出了一种可微分实现的逻辑程序学习框架，包括自适应子句搜索、基本命题枚举算法和柔和的程序合成方法，能够学习噪声和结构化的例子，试验表明该框架可以适应复杂的多子句程序。

Mar, 2021

具有逻辑神经网络的神经符号归纳逻辑编程

采用逻辑神经网络学习归纳逻辑规则，得出高度可解释且具有灵活参数化以适应数据的规则。

Dec, 2021

逻辑神经网络

我们提出了一种新的框架，无缝提供神经网络（学习）和符号逻辑（知识和推理）的关键属性，每个神经元都有权重实值逻辑公式的组成部分，得到了高度可解释的分离表示，推理是全向的而不是集中在预定义的目标变量上，对应于逻辑推理，包括经典的一阶逻辑定理证明作为特殊情况。

Jun, 2020

AISYN: 基于强化学习的人工智能逻辑综合框架

通过应用强化学习算法，可以更好地解决逻辑综合中的局部最小值问题，从而实现对细胞面积等重要指标的显著优化。

Feb, 2023

基于熵的神经网络逻辑解释

该论文提出了一种基于熵的标准及一种新的端到端可微分的方法，用于从概念神经网络中提取逻辑解释，该方法使用一阶逻辑的形式化定义，并考虑了四个案例研究来证明这种熵基准能够从临床数据到计算机视觉中，在安全关键领域中提取简洁的逻辑解释。

Jun, 2021

使用查询的神经程序合成

本篇研究提出了一个基于查询的框架用于自动生成并交互式提供信息丰富的输入输出样例，其可用于编程合成中的无监督学习以解决缺少先验知识的问题。

May, 2022

从输入输出示例中合成复杂程序的探索

本文介绍了一种使用深度学习和强化学习实现程序合成的方法，该方法以非可微分机器为基础，并具有递归和强化学习的特点，能够训练出用于生成计算机程序的上下文无关解析器。该方法可实现测试输入在训练样本长度 500 倍以上时的 100％测试准确率。

Jun, 2017