Grafik Sinir Ağları ile Boolean Fonksiyonları Sınıflandırmak

Boolean fonksiyonlarının NPN sınıflandırması, giriş ve çıkışları ters çevirip girdileri yeniden düzenleyerek iki fonksiyonun eşdeğer olup olmadığını belirlemek, mantık tasarımı, kuantum bilişim ve bilgi teorisinde önemli bir sorun. Ancak klasik yöntemler tüm olası giriş permütasyonlarını deneme zorunda kaldığından, giriş sayısı arttıkça hesaplama maliyeti katlanarak yükseliyor.

MIT ve diğer kurumlardan araştırmacılar bu soruna makine öğrenmesi ile yaklaştı. Yeni yaklaşım, NPN sınıflandırmayı bir tahmin problemi olarak yeniden formüle ediyor. Boolean fonksiyonları AND-Inverter Graphs (AIG) adı verilen grafik yapılarla temsil ediliyor, ardından çift yönlü heterojen bir grafik sinir ağı giriş negasyonlarını, çıkış negasyonunu ve giriş permütasyonlarını öngörüyor.

Yöntem, mantık ağlarının yapısal belirsizliğini azaltmak için grafik yeniden yazma tekniklerini de kullanıyor. Bu sayede ağ, daha büyük fonksiyonlar için de pratik hızda çalışabiliyor. Araştırma, yapay zeka ve kombinatoryal optimizasyonun donanım tasarımına nasıl uygulanabileceğini gösteriyor.