torchmSAT：一个 GPU 加速的最大可满足性问题的近似算法
原文中文，约300字，阅读约需1分钟。发表于：。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。
该论文提出了一种将离散结构与组合优化算法集成的机器学习方法，通过设计新颖的神经网络结构和利用GPU进行计算加速，成功解决了最大满足性问题。实验证明该方法在挑战性问题上优于现有求解器，并且与另一种求解器在解决成本方面相当，无需训练或使用底层SAT求解器。这为基于神经网络GPU加速的新一代求解器铺平了道路。
