本研究旨在整合神经与符号系统的黑盒模块，实现符号系统的演绎和缩减方法与神经系统的推导和诱导方法的有效训练，取得超过以往工作表现的结果。
Oct, 2020
本文提出对于混合神经符号系统的模块化设计模式，包括基础模式和组合模式，以及在两个真实案例中进行模式应用，同时提出分类神经符号架构的新型设计模式以及一个分类词汇表。
Feb, 2021
本文提出了一种高度可扩展的策略，用于从现有的科学计算中的数值离散化来开发免网格神经符号偏微分方程求解器。该策略可用于有效地训练神经网络代理模型，以保留最先进数值求解器的精度和收敛特性，基于在一组随机配置点上使离散化的微分系统残差最小化来进行神经启动。
Oct, 2022
使用神经符号技术NeurTaskSyn, 可以为给定的编程要求自动综合编程任务, 可提高编程教育的质量。
May, 2023
使用方便的自然语言进行交流，结合生成式大型语言模型和可满足模理论求解器，可以生成可验证的正确解决方案。
Sep, 2023
神经符号人工智能（AI）是人工智能的新兴分支，结合了符号AI和亚符号AI的优势。调查了神经符号应用如何简化V&V过程，并对当前应用中常用的符号和亚符号组件进行了评估和分析。研究表明，神经符号AI利用符号AI的可能性有很大潜力简化亚符号AI的T&E和V&V过程。
Jan, 2024
该研究介绍了一种新型的自动生成建筑原理图设计的自动化系统，旨在简化多户型房地产开发项目初期的复杂决策过程。利用生成式人工智能（神经推理）和数学程序求解器（符号推理）的综合优势，该方法解决了建筑原理图设计中依赖专家知识和技术挑战的问题，通过模拟从初步概念到详细布局的传统建筑设计过程提出了一种新颖的顺序神经符号推理方法。通过与真实世界建筑的比较研究，验证了我们的方法的有效性。我们的方法能够根据对社区的理解生成各种建筑设计，展示了其改变建筑原理图设计领域的潜力。
我们提出了一种用于学习算法任务的原创方法，该方法受符号人工智能中的重写系统的启发，该系统由专门的模块组成的神经结构实现，通过系统地应用组合规则来解决超出分布的问题实例。
Feb, 2024
神经符号学习中的符号基础问题是人工智能中的一个基本问题。本文提出了一种新的、软化的符号基础过程，能够桥接神经网络训练和符号约束求解两个分离的领域，从而构建一个高效且有效的神经符号学习框架，并通过实验证明该框架具有优越的符号基础能力。
Mar, 2024
我们通过采用基于线性遗传编程的适当表示方法（称为NeuroLGP）和应用克里金偏最小二乘法来解决神经演化中的计算挑战，提出了一种称为NeuroLGP-Surrogate Model（NeuroLGP-SM）的方法。该方法在96次独立运行中表现出卓越的精度，并且比基线方法节省了25%的计算资源，进一步突显了其在神经演化中的效率。