Grafik Sinir Ağlarıyla Boolean Fonksiyonları Sınıflandırma

Boolean fonksiyonlarının NPN eşdeğerliğini belirlemek, yani girişleri ters çevirip/değiştirerek veya çıkışı ters çevirip bir fonksiyondan diğerine ulaşılıp ulaşılamayacağını anlamak, mantık sentezi, kuantum hesaplama ve bilgi teorisinde kritik bir görev. Ama geleneksel yöntemler tüm olası girdi permütasyonlarını denemeyi gerektiriyor; bu da girdi sayısı arttıkça katlanarak karmaşık hale geliyor.

Yeni bir arXiv makalesi bu sorunu makine öğrenmesiyle çözmek için ilk adımı atıyor. Araştırmacılar Boolean fonksiyonları AND-Inverter Grafları (AIG) olarak temsil ediyor ve bunu "NPN aksiyonu tahmin" problemine dönüştürüyor. Çift yönlü heterojenik bir grafik sinir ağı (GNN), girdi ters çevirmeleri, çıktı ters çevirmeleri ve girdi permütasyonlarını tahmin etmeyi öğreniyor.

Yöntemin bir başka önemli parçası grafik yeniden yazma teknikleri. Mantık ağlarının yapısal tutarsızlığını azaltmak için bu teknikler uygulanıyor; böylece model daha güvenilir tahminler yapabiliyor.

Bunun pratik anlamı şu: donanım tasarımı ve optimizasyonda kullanılan bu tür sınıflandırma işlemleri çok daha hızlı olabilir. Kuantum algoritmaları geliştiren veya büyük devre tasarımları yapan mühendisler için bu, hesaplama maliyetini önemli ölçüde düşürebilir.