本文介绍了Boolformer，一种基于Transformer的模型，专用于布尔函数的符号回归。它能够在给定真值表的情况下，预测复杂函数的紧凑公式，并在不完整或噪声数据下找到良好的近似表达。Boolformer在多个二分类数据集上表现优异，作为经典机器学习方法的可解释替代方案，并在基因调控网络动态建模任务中速度远超先进遗传算法。

本文介绍了通用逼近定理，指出单隐层前馈神经网络能够逼近任意连续函数。通过感知器的基本概念，展示了如何利用多个感知器学习线性可分和不可分的布尔函数。最后，利用sigmoid神经元构建“塔函数”，在给定误差范围内近似表示任意函数。