扩展神经符号问题求解：无求解器的约束与目标学习

在探索离散推理与神经网络混合的持续进程中，越来越多地关注能够从自然输入中学习如何解决离散推理或优化问题的神经架构，这类任务大型语言模型似乎难以应对。目标：我们引入一种可微分的神经符号架构和一个专门用于学习如何解决NP难推理问题的损失函数。方法：我们新的概率损失允许同时学习约束和目标，从而构建一个可以用副约束进行审查和补充的完整模型。通过将组合求解器移出训练循环，我们的架构还提供了可扩展的训练，同时精确推理可获得最高准确率。结果：我们经验性地表明，它能够高效地从自然输入中学习如何解决NP难推理问题。在三个数独基准任务——符号化、视觉和多解——上，该方法的训练时间仅为其他混合方法的有限比例。在视觉Min-Cut/Max-Cut任务上，它比决策聚焦学习的 regret 专用损失函数优化得更好。最后，它能够高效地学习大型实际问题——蛋白质设计——的能量优化表述。