Este artículo investiga la complejidad de tamaño y la decidibilidad de la progresión de primer orden, un método para actualizar bases de conocimiento en IA. Demuestra que, para clases de acciones específicas dentro del marco del Cálculo de Situaciones, la progresión de primer orden crece polinómicamente y mantiene la decidibilidad al usar ciertos fragmentos de bases de conocimiento.
Este trabajo investiga cómo codificar tareas factorizadas, una representación de planificación clásica, en SAT. Propone varias estrategias para traducir la relación de transición factorizada a lógica proposicional y analiza el impacto de las transformaciones de tareas en el rendimiento de los planificadores basados en SAT.
Research Math Agents (RMA) es un marco agéntico diseñado para el razonamiento automatizado en problemas matemáticos de nivel de investigación complejos, diferenciándose de trabajos previos en matemáticas de competición o prueba formal de teoremas. RMA emplea módulos especializados y agentes coordinados que generan, refinan y verifican colaborativamente pruebas candidatas a través de un flujo de trabajo de múltiples roles y rondas, utilizando una memoria estructurada compartida.
DreamProver introduce un marco agéntico que aprovecha un paradigma de inducción de programas "wake-sleep" para descubrir lemas reutilizables para la prueba formal de teoremas. Evoluciona iterativamente una biblioteca de lemas compacta y transferible, mejorando sustancialmente el rendimiento en teoremas no vistos.