摘要
神经求解器旨在推导、分支和修正中间状态。格子推理变换器（LDT）似乎正是如此。然而，在充满线索的数独中，它的表现并不理想：一次前向传播几乎锁定了整个网格（标准6x6的每个空白单元94-96%，扩展的9x9也是如此），使得迭代求解器变成了一个包装在精确验证器中的一次性预测器。
所有硬切片失败在搜索开始之前就被决定，当第一次传播自信地删除了真实解决方案所需的值，我们称之为首轮毒化。添加学习分支、MRV、回溯、值排除以及共享无效（CoLT）并未改变可解决的数独实例；它将重复的无效推导减少了1497倍。
在固定训练预算下，仅凭约束图注意力就能达到全CoLT的准确性，而位置表只有在更长的训练时间下才能恢复，表明这是一个优化和样本效率的优势，而非绝对能力的差异。诊断结果预测了两个有效的干预措施。
数字置换增强将9x9的准确率从1%以下提升至96.5 +/- 0.3，基于三个训练种子，在对称不相交的分割上。测试时对称变换传播的联合提升了所有三个硬切片检查点的准确率，从72.8-78.9%提升至100%，无需重新训练。
在全新的图着色任务中，一次性行为消失，搜索的准确性发生变化。在充满线索的完成任务中，类似LDT的系统是一次性摊销的预测器，而非学习搜索过程：准确性由标定和对称决定，而搜索主要消除计算浪费。
博主点评： 本文深入探讨了LDT在数独推理中的表现，揭示了其在一次性预测和搜索过程中的局限性。通过优化和增强措施，作者提出了有效的改进策略，展现了神经网络在约束推理任务中的潜力与挑战。整体而言，文章为理解神经推理器的工作机制提供了重要的视角。