近日，团队的知识编译成果发表在人工智能国际顶级期刊《Artificial Intelligence》，该期刊是人工智能领域最古老且最具影响力的期刊之一，该期刊始创于1970年，CCF A类顶级期刊。

   知识编译是一种替代解决方案，通过将知识库转换为合适的目标语言来解决高复杂度的推理任务。学者Levesque 提出的逻辑可分性概念，为两种著名语言的分句蕴涵的易处理性提供了一般性解释：可分解否定范式和素数蕴涵。探索逻辑可分离性在问题可处理性中扮演什么角色是很有趣的问题。在论文中，我们将逻辑可分性的概念应用于命题逻辑背景下的许多推理问题：可满足性检查（CO）、子句蕴涵检查（CE）、模型计数（CT）、模型枚举（ME）和遗忘（FO），以及它们的双重任务，促成了几个递归过程。我们提供了相应的基于逻辑可分性的属性：CO-逻辑可分性、CE-逻辑可分性、CT-逻辑可分性、ME-逻辑可分性及其对偶。基于这些属性，我们确定了四种新的范式：CO-LSNNF、CE-LSNNF、CT-LSNNF、ME-LSNNF。 我们证明它们中的每一个都是相应程序正确的充分必要条件，最终将上述范式整合到知识编译图中。

   研究工作得到了国家自然科学基金（62077028, 62377028），粤港澳智慧教育联合重点实验室（2022LSYS003）等项目的支持。

论文链接：https://doi.org/10.1016/j.artint.2024.104077