En ny position paper på arXiv argumenterer for, at neurale solvere til constraint satisfaction-problemer – som Sudoku – ikke kan opnå garanteret korrekthed alene gennem læring. Selv når modellen rapporterer høj konfidens, kan den lave vedvarende fejl under distribution shifts. Forfatterne foreslår, at når hårde begrænsninger findes og verifikation er billig, bør neurale metoder integreres med symbolsk ræsonnering i stedet for at stole på ren læring.
Artiklen, tilgængelig på arXiv, bruger Sudoku som repræsentativt NP-komplet testbed, fordi det illustrerer en skarp asymmetri: at tjekke en løsning tager kun polynomiel tid (O(n²)), mens at finde en løsning kan kræve eksponentiel søgning. Dette gør det muligt at verificere neurale outputs billigt, hvilket er centralt for argumentet.
Gennem en omfattende gennemgang af løsningsmetoder – fra deterministiske algoritmer til metaheuristik, læringsbaserede tilgange og sprogbetinget ræsonnering – viser forfatterne, at neurale-only metoder uden instansniveau-certificering ikke opnår den beviselige korrekthed, som symbolsk og neuro-symbolsk tilgang giver.
For beslutningstagere er implikationen klar: I domæner med hårde krav – som logistik, planlægning, kodegenerering eller regulerede industrier – kan man ikke stole blindt på neurale modeller, selvom de ser præcise ud i træningsfordelingen. Løsningen er en multi-agent certificeret ræsonneringsramme, hvor neurale metoder forbedrer symbolsk solvere ved at lære heuristikker og konvertere perception til symboler, mens symbolsk metoder verificerer neurale outputs for at sikre pålidelighed.
