神经符号数独求解器

深度神经网络在一些人类可轻松完成的复杂任务上取得了巨大成功，包括图像识别/分类、自然语言处理、博弈等。然而，当现代神经网络在可使用回溯与传统算法轻松求解的任务上训练时，会失败或表现不佳。因此，我们采用神经逻辑机（Neural Logic Machine, NLM）的架构并扩展其功能以求解9×9数独游戏。为拓展NLM的应用，我们从已解游戏数据集中生成随机单元格网格，并指定最多10个新的空格。游戏目标即为找出1至9中的目标值，并在保持合法配置的前提下填完剩余空格。在我们的研究中，我们展示了一个NLM，其能在空格数为3至10的数独求解中获得100%准确率。本研究旨在证明NLM也可用于求解如数独般的复杂问题与游戏。我们还通过在同一问题上绘制收敛时间图，将NLM与回溯算法的行为进行比较分析。通过本研究我们表明，神经逻辑机可使用强化学习在传统深度学习架构失败的任务上训练。我们也旨在提出符号学习在解释NLM混合模型系统性方面的重要性。