该论文提出一种神经符号框架，用图神经网络从常数分解中预测有前景的运算符类型，再以置信度剪枝不利选择，加速单常数乘法的 SAT 编码。在未见过的 17 至 32 位常数上，作者报告编码时间降低一至两个数量级、内存减少超过 97%、分支数降低一个数量级，同时保持近似最优的加法次数。
最近 24 小时暂无可用热度快照。