AI এবং বিশ্বের কঠিন সমস্যাগুলো · তাত্ত্বিক কম্পিউটার বিজ্ঞান · arXiv · 2026-10-22

ORSMT: LLM-ভিত্তিক অপ্টিমাইজেশনে সেমান্টিক ভেরিফিকেশন ও রিপেয়ারের জন্য Satisfiability Modulo Theories-এর অপার সম্ভাবনার কাজে লাগানো

মূল শিরোনাম: ORSMT: Unleashing the Potential of Satisfiability Modulo Theories for Semantic Verification and Repair in LLM-Based Optimization

ORSMT LLM-ভিত্তিক অপ্টিমাইজেশন মডেলিংয়ে সেমান্টিক ভেরিফিকেশনের বিষয়টি মোকাবিলা করে, যেখানে লিখিত গণিত, সলভার কোড ও ফেরত পাঠানো রিপোর্ট একই সমস্যার বর্ণনা করছে কি না তা পরীক্ষা করতে সেমান্টিক তুলনা প্রয়োজন। এটি একটি টাইপড সেমান্টিক ইন্টারফেস ও নির্ভুল SMT রিলেশন কোয়েরি সরবরাহ করে, যা feasible-region ও অবজেক্টিভ সম্পর্ক প্রমাণ বা খণ্ডন করে, খণ্ডনের অবস্থান চিহ্নিত করে এবং এক আর্টিফ্যাক্ট থেকে অন্যটি পুনর্গঠন করে। 3,034টি সমস্যা ও ছয়টি জেনারেটর সাইজ জুড়ে এটি 72টি সমন্বয়ের প্রতিটিতেই মডেল-কোড ম্যাচ হার উন্নত করে, এবং প্রোটেক্টেড সিলেকশন সামগ্রিক হার 43.2% থেকে 88.2%-এ এবং সঠিক-এবং-ম্যাচড অংশ 25.2% থেকে 40.2%-এ উন্নীত করে।

মূল লেখা পড়ুন ↗

সব আইটেম →