本研究评估了现代SMT求解器在约束满足问题中的应用，发现其在解决25x25数独难题时显著优于传统SAT求解器，展示了SMT求解器的有效性及逻辑求解器的演变。

本文提出了一种基于图神经网络（GNN）的无监督框架，用于解决约束满足问题（CSP）和布尔可满足性问题（SAT）。研究展示了GNN在函数逼近、增强学习和组合优化中的应用，提出了Graph-Q-SAT和OptGNN等新算法，显著提高了解决SAT问题的效率和准确性。实验结果表明，这些方法在多个数据集上表现优异，超越了传统算法。

本文研究了本体基础数据查询的不同类别，包括关系数据库查询与本体、描述逻辑或其他相关一阶逻辑和联结查询。研究结果包括三个方面，首先用不相交的 Datalog 片段来表达了本体中介查询的表达能力。其次，本体中介查询与约束满足问题（CSP）及其逻辑泛化 MMSNP 公式有密切联系。最后，利用这些联系得出了有关本体中介查询的新结果，如 i）本体中介查询的一阶重写和 Datalog 重写，ii）本体中介查询的 P / NP 二分法，以及 iii）本体中介查询的查询包容性问题。

该研究使用Transformer-based大型语言模型，研究了其生成错误文本时的内部行为，并将事实查询建模为约束满足问题。通过研究11个数据集，研究提出了一种可以预测约束满足和事实错误、并且可以早期发现错误的self-attention模式探查方法SAT Probe。利用对大型语言模型中事实性的机械理解可以提高可靠性。