Diese Arbeit untersucht die Größenkomplexität und Entscheidbarkeit der Erstordnungs-Progression, einer Methode zur Aktualisierung von Wissensbasen in der KI. Sie zeigt, dass für spezifische Aktionsklassen innerhalb des Situationskalküls die Erstordnungs-Progression polynomisch wächst und die Entscheidbarkeit beim Verwenden bestimmter Wissensbasisfragmente beibehält.
Diese Arbeit untersucht, wie faktorierte Aufgaben, eine klassische Planungsrepräsentation, in SAT kodiert werden können. Sie schlägt mehrere Strategien zur Übersetzung der faktorisierten Übergangsrelation in die Aussagenlogik vor und analysiert den Einfluss von Aufgabenumwandlungen auf die Leistung SAT-basierter Planer.
Research Math Agents (RMA) ist ein agentisches Framework, das für automatisiertes Denken bei komplexen mathematischen Problemen auf Forschungsebene entwickelt wurde und sich von früheren Studien zu Wettbewerbsmathematik oder formalem Theorembeweis unterscheidet. RMA verwendet spezialisierte Module und koordinierte Agenten, die kollaborativ Kandidatenbeweise durch einen Multi-Rollen-, Multi-Runden-Workflow generieren, verfeinern und verifizieren, indem sie einen gemeinsamen strukturierten Speicher nutzen.
DreamProver führt ein agentenhaftes Framework ein, das ein „Wake-Sleep“-Programm-Induktionsparadigma nutzt, um wiederverwendbare Lemmata für formale Theorembeweise zu entdecken. Es entwickelt iterativ eine kompakte, übertragbare Lemma-Bibliothek, die die Leistung bei ungesehenen Theoremen erheblich verbessert.