Let a neural network be your invariant

Нейросетевая проверка моделей для свойств LTL Источником является научная статья, посвящённая нейросетевой проверке моделей для формальной верификации реактивных систем, в частности аппаратного обеспечения. Авторы расширяют существующий метод, который ранее фокусировался только на свойствах живучести (liveness), чтобы также охватить свойства безопасности (safety) и их комбинации в спецификациях линейной темпоральной логики (LTL). Центральное нововведение — это архитектура нейронного частично ранжирующего отображения, которое совместно представляет индуктивные инварианты (доказательства безопасности) и ранжирующие функции (доказательства живучести). Новый подход использует решатели смешанного целочисленного линейного программирования (MILP) для обучения, что, согласно экспериментальным данным, обеспечивает значительное ускорение по сравнению с современными символьными чекерами моделей и предыдущими методами, основанными на градиентном спуске, особенно для задач, требующих как безопасности, так и живучести. отправить донаты: USDT: 0xAA7B976c6A9A7ccC97A3B55B7fb353b6Cc8D1ef7 BTC: bc1q8972egrt38f5ye5klv3yye0996k2jjsz2zthpr ETH: 0xAA7B976c6A9A7ccC97A3B55B7fb353b6Cc8D1ef7 SOL: DXnz1nd6oVm7evDJk25Z2wFSstEH8mcA1dzWDCVjUj9e создано с помощью NotebookLM