G-RRM：利用循环推理模型引导符号求解器

本文提出了一种名为 G-RRM 的神经符号方法，将符号等变循环推理模型（SE-RRMs）与经典符号求解器集成，用于解决约束满足问题。SE-RRMs 作为神经求解器生成完整解提案，引导回溯或基于 SAT 的求解器获得全局正确解。实验表明，当问题具有广阔的组合搜索空间且求解器能动态修正分支选择时，该引导机制能显著减少冲突计数并加速求解。在数独任务中，该方法使回溯算法加速 33.3 倍，Glucose 4.1 加速 1.70 倍，明确了神经引导转化为实际加速的适用范畴。