[发明专利]用于生成学习的系统和方法

说明书

通过计算系统进行的生成学习通过以下各项来实现：形成包括在布尔值变量上定义的约束满足问题(CSP)的生成学习模型；在基于命题可满足性的一阶逻辑中描述所述CSP；将所述CSP翻译成子句形式；以及利用至少一个可满足性(SAT)求解器来执行推理。生成学习模型可以例如通过以下各项来形成：对包括多个字符的字符串执行感知识别、根据语法判定所述字符串在句法上是否有效、以及判定所述字符串在指称上是否有效。各种类型的处理器和/或电路系统都可以实施上述操作。

背景技术

技术领域

本公开总体上涉及用于生成学习的系统、设备、方法和制品，并且具体地涉及布尔算数领域的生成学习。

生成学习

生成学习和判别学习是机器学习方法的两类方法。生成方法基于在观测变量和目标变量上的联合概率分布模型，而判别方法基于在给定观测变量的情况下目标变量的条件概率模型。

生成模型的示例包括：受限波尔兹曼机、高斯混合模型和概率上下文无关语法(probabilistic context-free grammar)。

概率上下文无关语法

上下文无关语法是一种语法，在这种语法中，每种规则将对应的单个非终结符号映射至终结字符串和/或非终结符号，并且可以不管对应的单个非终结符号的上下文而施加每种规则。换言之，对应的单个非终结符号可以在其出现的任何地方被终结字符串和/或非终结符号所替换，而与上下文无关。

在概率上下文无关语法中，向每种规则分配概率。解析的概率是在所述解析中所使用的规则的概率乘积。所述概率通常使用在大数据库上操作的机器学习技术来确定。

发明内容

一种用于通过计算系统进行生成学习的方法，所述计算系统包括至少一个处理器、以及存储有处理器可执行指令或数据中的至少一者的至少一个非暂态处理器可读存储介质，所述可执行指令或数据在被所述至少一个处理器执行时使所述至少一个处理器执行所述方法，所述方法可以被概括为包括：由所述至少一个处理器形成包括在布尔值变量上定义的约束满足问题(CSP)的生成学习模型；由所述至少一个处理器在基于命题可满足性的一阶逻辑中描述所述CSP；由所述至少一个处理器将所述CSP翻译成子句形式；以及利用至少一个可满足性(SAT)求解器来执行推理。形成生成学习模型可以包括通过以下各项来形成生成学习模型：对包括多个字符的字符串执行感知识别、根据语法判定所述字符串在句法上是否有效、以及判定所述字符串在指称上是否有效。

根据语法判定所述字符串在句法上是否有效、以及判定所述字符串在指称上是否有效可以包括：根据语法判定由多个字符形成的表达式在句法上是否有效、以及判定所述表达式在指称上是否有效。根据语法判定由多个字符形成的表达式在句法上是否有效、以及判定所述表达式在指称上是否有效可以包括：根据语法判定由多个字符形成的方程式在句法上是否有效、以及判定所述方程式在指称上是否有效。

利用至少一个SAT求解器执行推理可以包括由数字处理器利用至少一个SAT求解器来执行推理。利用至少一个SAT求解器执行推理可以包括由量子处理器利用至少一个SAT求解器来执行推理。利用至少一个SAT求解器执行推理可以包括由数字处理器和量子处理器利用至少一个SAT求解器来执行推理。在各个上述实施例中，利用至少一个SAT求解器执行推理可以包括判定是否存在满足给定布尔表达式的解释。判定是否存在满足给定布尔表达式的解释可以包括分配权重以及生成使用最大似然法训练的概率描述。