关于在旨在求解命题可满足性问题的 Hopfield 网络中使用联想记忆

Hopfield 网络是解决多类计算问题的诱人选择，因其提供了一种生物学上合理的机制。自优化（SO）模型通过采用基于生物学基础的 Hebb 学习规则，并结合将网络反复重置至任意初始状态，以将其自身行为优化至网络中编码的某个期望目标状态，从而对 Hopfield 网络进行了补充。为更好地理解该过程，我们首先证明 SO 模型能够求解以 SAT 形式给出的具体组合问题，使用说谎者问题与地图着色问题两个例子。此外，我们展示了在某些条件下关键信息可能永久丢失，所学网络产生看似最优的解，实则并不适合其所被分配求解的问题。这看似是 SO 模型的一个不良副作用，却可为其求解难解问题的过程提供洞见。