利用机器学习技术将离散结构与组合优化算法集成，提出一种能够近似求解最大满足性问题的可微函数，设计了一种新颖的神经网络结构并借助后向传播逐步求解问题，通过利用 GPU 进行计算加速，论文实验证明这种方法在挑战性的最大满足性问题上优于两种现有求解器，并与另一种求解器在解决成本方面相当，而无需进行训练或使用底层 SAT 求解器，为基于神经网络 GPU 加速的新一代求解器铺平了道路。

Feb, 2024

本研究提出了一种新方法，使用受限玻尔兹曼机（RBMs）来解决组合优化问题，从而有效地绕过在大型 RBMs 中学习的问题，并创建一个能够建模大型复杂多模态空间的系统。研究结果表明，这种方法可以有效地解决布尔可满足性问题和其他组合优化问题，对于相同的样本大小，这种方法可以提供比完全训练模型更准确的结果。

Sep, 2019

本研究提出了一种基于黑盒矩阵乘法（BBMM）的高斯过程推理方法，该方法可将精确 GP 推理的渐近复杂度从 $O (n^3)$ 降至 $O (n^2)$，并成功地使用 GPU 硬件显著加速了推理过程，此外还提供了一种基于 PyTorch 的软件平台 GPyTorch，可用于进行可扩展的高斯过程推理。

Sep, 2018

通过凸优化过程将数据集的主要方向整合到低秩 RBM 中，从而通过静态蒙特卡罗过程实现平衡分布的高效采样，成功训练 RBM 来捕捉之前方法失败的高度结构化数据集中的全部多样性，并提出了一种新的采样方法 - 平行轨迹调整，使得能够比之前的 MCMC 方法更快地采样训练模型的平衡分布并更好地估计对数似然。

May, 2024

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

本文讲述了基于 Ising 机的解决最优化问题方法。作者发现缺少了立方相互作用和高效的随机化启发式算法成为了失误的原因。最后，作者增加了一个合适的框架和一个新的方法，提高了搜索的效率，实验结果在以往硬件和软件求解最优化问题算法的基础上取得了更高的效果。

May, 2023

该研究提出了一种基于整数规划和强化学习算法的统一框架 DCSAT，用于解决不同类型的布尔可满足性问题，包括 MaxSAT、Weighted MaxSAT、PMS 和 WPMS 等。通过调整目标函数系数，构建了统一的整数规划表示方法，并基于 0-1 整数规划构建了适当的强化学习模型。基于二叉树搜索结构，在 SAT 问题上应用了蒙特卡罗树搜索（MCTS）方法，证明了该方法能够基于维纳 - 欣钦大数定律找到所有最优的布尔赋值。实验证明，该方法能够剪枝不必要的搜索空间，找到问题的最优布尔赋值，同时为 SAT 问题的监督学习方法提供多样的标签。

Dec, 2023

本文提出了将人工神经网络用于蒙特卡罗方法的改进，使其在统计物理问题中的混合时间得以加速，具体应用于 Falicov-Kimball 模型，并在其相变点附近展示了接受比率和自相关时间的提高。

Oct, 2016

本文描述了如何使用更高效的马尔可夫链蒙特卡罗算子来训练受限玻尔兹曼机 (RBM)，以有效地处理自然语言处理中的高维度多项式观察值，通过在数百万个单词 n-gram 上训练 RBM，并使用所学特征来提高分块和情感分类任务的性能，从而实现了后一项的最新成果。

Feb, 2012

利用图神经网络训练适用于布尔可满足性问题的 SLS 求解器，可显著提高性能，平均解决比例更高、步骤更少，具有性能保证。

Sep, 2023