XiaoMi-AI文件搜索系统
World File Search SystemSymbolic
从统计关系到神经符号人工智能：一项调查。
学习与推理的融合是当今人工智能和机器学习面临的关键挑战之一，各个社区都在努力解决这一问题。对于神经符号计算 (NeSy) 领域尤其如此 [ 11 , 23 ]，其目标是整合符号推理和神经网络。NeSy 已经有悠久的传统，最近引起了各个社区的广泛关注（参见Y. Bengio 和 H. Kautz 在 AAAI 2020 上关于这个主题的主题演讲，Y. Bengio 和 G. Marcus 之间的 AI 辩论 [ 10 ]）。另一个在融合学习和推理方面有着丰富传统的领域是统计关系学习和人工智能 (StarAI) [ 41 , 89 ]。但是，它不是专注于整合逻辑和神经网络，而是围绕着将逻辑与概率推理（更具体地说是概率图模型）相结合的问题。尽管人们共同关注将符号推理与学习的基本范式（即概率图模型或神经网络）相结合，但令人惊讶的是，这两个领域之间并没有更多的相互作用。这种差异是本次调查背后的主要动机：它旨在指出这两项努力之间的相似之处，并希望以这种方式促进相互影响。为此，我们从 StarAI 的文献开始，
参数时间自动机的重写逻辑语义和符号分析
本文介绍了参数时间自动机 (PTA) 的重写逻辑语义，并表明使用 Maude-with-SMT 的符号可达性分析对于 PTA 可达性问题是合理且完整的。然后，我们改进了标准的 Maude-with-SMT 可达性分析，以便当 PTA 的符号状态空间有限时，分析终止。我们展示了如何使用我们的方法合成参数，并将其性能与最先进的 PTA 工具 Imitator 进行比较。实际贡献有两个方面：为 PTA 提供新的分析方法（例如，允许查询中具有更一般的状态属性并支持与用户定义的执行策略相结合的可达性分析，而 Imitator 不支持这些方法），并为实时重写理论开发符号分析方法。
使用符号资源估计启用精度感知量子编译器
将量子程序编译为低级门集时，必须考虑近似错误。我们提出了一种自动跟踪此类错误的方法，然后优化准确性参数以确保指定的总体精度，同时旨在最大程度地减少量子门的实现成本。我们方法的核心思想是提取直接从量子程序的高级描述中指定优化问题的功能。然后，自定义编译器通过优化这些功能，将它们变成（1）总误差和（2）实现成本（例如，总量子门计数）的（1）符号表达式。量子程序的所有未指定参数将显示为这些表达式中的变量，包括精度参数。解决相应的优化问题后，可以从发现的解决方案实例化电路。我们开发了两个原型实现，一个基于Clang/LLVM中的C ++，另一种是使用Q＃编译器基础架构。我们将原型基准在典型的量子计算程序上，包括量子傅立叶变换，量子相估计和Shor算法。
通过机器学习预测探索指导符号分析的策略
摘要 - 为了提高符号分析工具的可扩展性，一个观察结果是，分析资源在分析不满意的路径上被浪费了，而这在现实中是不可能的。在存在的工作中试图预测程序路径的满足性，而无需花费资源来分析它，但这些预测模型的性能远非完美。在这项工作中，我们试图了解模型预测如何，即使不完美，也可以最有效地用于减少分析令人满意的路径所需的时间。这项工作研究了模型性能，分析域属性之间的相互作用，例如路径分析成本的分布和可满足路径的分布，所使用的符号分析工具的设计以及用于优先级和选择分析路径的算法。使用新型的模拟方法，我们研究了这个问题，发现许多因素对符号分析性能的影响与改进的预测因子一样大。最后，我们以几个关于如何最好地将机器学习预测整合到符号分析的观察结果。
使用符号计算的ODE系统的Jacobi稳定性分析
摘要。在差异差异中开发的Kosambi – Cartan-Chern（KCC）的经典理论提供了一种有力的方法来分析动力学系统的行为。在KCC理论中，动态系统的属性是用五个几何不变剂来描述的，其中第二个对应于系统的所谓雅各比稳定性。与在文献中广泛研究的Lyapunov稳定性不同，最近使用几何概念和工具研究了雅各比稳定性的分析。事实证明，关于雅各比稳定性分析的现有工作仍然是理论上的，算法和象征性治疗雅各比稳定性分析的问题尚未解决。在本文中，我们对一类任意维度的ODE系统的问题启动了研究，并使用符号计算提出了两种算法方案，以检查非线性动力学系统是否可以表现出Jacobi稳定性。第一个方案基于特征多项式的复杂根结构的构建和消除量词的方法，能够检测给定动力学系统的雅各比稳定性的存在。第二个算法方案利用了半代数系统求解的方法，并允许一个人确定给定动力学系统的参数条件，以便具有规定数量的Jacobi稳定固定点。提出了几个示例，以证明所提出的算法方案的有效性。
阿提拉：基于纯符号人工智能的谈判外交玩家
摘要。棋盘游戏《外交》被认为是自动谈判最具挑战性的测试案例之一。虽然已经为这款游戏开发了许多机器人，但其中很少有能够成功谈判的机器人，而那些能够成功谈判的机器人都是在人类示例游戏的大量数据集上进行训练的。这使得很难将相同的技术应用于其他游戏或谈判场景，因为人类目前还没有这些知识。此外，由于这些机器人是使用深度学习进行训练的，它们本质上是黑匣子，很难理解它们的工作原理。所以，这些机器人对我们更好地理解强有力的谈判技巧没有多大帮助。因此，在本文中，我们介绍了一种名为 Attila 的新外交机器人，它完全基于符号 AI。它的谈判算法利用了游戏战术部分的现有预言机，称为“D-Brane 战术模块”（DBTM）。我们解释了如何将 DBTM 转换为用于自动谈判的搜索算法，并通过实验表明 Attila 的表现远远优于几种最先进的外交机器人。
通过学习积极的国家预防策略来实现符号执行
我们提出了Homi，这是一种通过仅维持少数有前途的状态来增强符号执行的新技术。实际上，符号执行通常在担心失去重要状态的情况下保持尽可能多的状态。在本文中，我们表明，只有一小部分国家在增加代码覆盖范围或达到错误点方面起着重要作用。基于这一观察结果，Homi旨在最大程度地减少状态总数，同时在符号执行过程中保持有前途的状态。我们通过一种学习算法来确定有希望的状态，该算法根据测试过程中积累的数据不断更新概率修剪策略。实验结果表明，HOMI大大增加了代码覆盖范围以及在开源C程序中查找Klee的错误的能力。
对在符号多步推理任务上训练的变压器的机械分析
变压器在一系列推理基准上表现出令人印象深刻的表现。评估这些能力是实际推理的结果的程度，现有工作重点是为行为研究开发复杂的基准标记。然而，这些研究并未提供有关推动观察到的capabilies的间隔机制的见解。为了提高我们对变形金刚之间机制的理解，我们对经过合成推理任务的跨前者进行了全面的机械分析。我们确定了模型用于解决任务的一组可解释机制，并使用相关性和因果关系来验证我们的发现。我们的结果表明，它实现了与并行操作的深度结合的复发机制，并存储中间的导致所选令牌位置。我们预计，我们在合成环境中确定的主题可以为变形金刚的更广泛的操作原理提供宝贵的见解，从而为理解更多的复合模型提供了基础。1