本研究提出了一种新方法，通过大语言模型（LLM）生成特定领域的启发式函数代码，以提升规划能力。结果表明，这些生成的启发式算法在未见测试任务中优于现有的状态独立启发式算法，甚至在某些领域超越了高级优化程序的效率。

本研究提出了一种数据驱动的电机设计框架，减少了对专家经验的依赖。该框架利用人工智能和启发式算法，根据用户需求生成多种电机设计，显著提高设计效率和功率密度，优于传统方法。

通过引入轻量级的Forward Temporal Bias Correction (FTBC)技术，提出了一种改善ANN-SNN转换准确性的方法。通过适当的时间偏差校准，使得在每个时间步长后ANN-SNN转换的预期误差减少为零。进一步提出了一种启发式算法，在前向传递中仅查找时间偏差，从而消除了反向传播的计算负担，并在CIFAR-10/100和ImageNet数据集上评估了方法，实现了显著的准确性增加。

SAT是一个基础的NP-complete问题，有许多应用。建议使用机器学习模型改进启发式算法以减少运行时间。介绍了改进的Graph-Q-SAT并验证了方法的可行性。

我们提出了三种新颖的图表示方法，用于使用图神经网络（GNN）指导搜索，以学习与领域无关的启发式。实验表明，我们的启发式算法适用于训练集之外的更大问题，并超过STRIPS-HGN的启发式算法。

该文介绍了使用机器学习模型改进 SAT 求解器的启发式算法，以减少步数和总运行时间。作者建议使用训练好的机器学习模型进行几个初始步骤，然后将控制权交给经典启发式算法，以简化 SAT 求解的冷启动。作者还介绍了一种改进的 Graph-Q-SAT，专门针对从其他领域转换而来的 SAT 问题。作者通过随机和工业 SAT 问题验证了该方法的可行性。

SAT问题是一个基础的NP-complete问题，建议使用机器学习模型改进启发式算法，减少运行时间。介绍了改进的Graph-Q-SAT，验证了方法的可行性。