一句话看懂：arXiv 上的一篇新论文提出首个基于学习的 NPN 分类方法，将布尔函数表示为 AIG，用双向异构图神经网络直接预测输入取反、输出取反与输入置换，在实用基准上接近精确方法，并可扩展到 16 输入函数。
事件核心：发生了什么
2026 年 11 月 3 日，一篇发布在 arXiv cs.AI 的论文提出把 NPN 等价判断改写为“NPN 动作预测”。两个布尔函数若可通过输入取反、输入置换或输出取反相互转换，就视为 NPN 等价；精确分类需要穷举所有置换和取反组合，复杂度随输入数指数增长。作者用 AND-Inverter Graph（AIG）表示函数，以双向异构图神经网络预测上述三类动作，并引入图重写来降低逻辑网络的非规范性、恢复有用对称性。摘要称实验显示该任务可学习，规范化质量优于启发式基线，在可处理场景逼近精确方法，最多支持 16 输入。
为什么重要
NPN 分类是逻辑综合、量子计算和信息论中的基础操作，长期依赖穷举或手工启发式。把图神经网络引入这个组合优化问题，意味着经典 EDA 流程中的一个关键步骤可能获得学习型近似方案。若后续工作能在更大规模上保持精度，逻辑综合工具和量子电路优化工具的处理效率有望受益；但需注意，目前公开信息仅为论文摘要，尚未核验全文实验，也未经过同行评审。
对用户/开发者/创作者的影响
普通用户短期内不会直接接触这项技术。对 EDA 开发者和从事逻辑综合、量子编译的工程团队而言，值得跟踪的是该方法能否集成进现有工具链：AIG 是常见中间表示，图神经网络推理成本相对可控，但训练数据和泛化到 16 输入以上函数的能力仍是关键。对 AI 研究者来说，这是把 GNN 用于离散结构规范化的一个可参考案例，但替代精确方法仍需完整实验验证。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是完整论文是否给出与精确方法在相同基准上的逐项对比，以及 16 输入以上的外推表现；二是图重写步骤的开销是否拖累整体效率；三是逻辑综合或量子编译领域的开源工具是否会跟进实现并开放 API。
来源：arXiv cs.AI
