知识编译是人工智能中的一类方法，旨在解决命题模型推理中的计算难解性问题。与其直接在可能复杂的模型上回答查询，不如在离线阶段将模型转换为一种编译表示，该表示能在多项式时间内支持特定查询。这一两阶段过程，，编译后接查询回答，，以预先的计算投入换取运行时更快、更可预测的推理。
核心挑战在于选择合适的编译表示，因为不同表示提供了不同的权衡。表征编译表示的三个主要属性是其紧凑性（即表示原始模型的简洁程度）、其在多项式时间内支持的查询集合，以及能在多项式时间内对其执行的变换操作。没有任何单一表示能在所有三个方面都表现出色，因此实践者会根据需要回答的查询和应用的大小约束来选择表示。
表示类别
编译表示可分为几大类。图类包括决策树、有序二元决策图（OBDD）、自由二元决策图（FBDD）、非确定性OBDD和多值决策图（MDD）。这些图形结构将布尔函数表示为有向无环图，其中每条路径对应一个变量赋值。
公式类包括析取范式（DNF）和合取范式（CNF）。虽然CNF是许多推理任务的常见输入格式，但它不能高效支持所有查询，这促使人们编译为其他形式。电路类包括否定范式（NNF）、可分解NNF（DNNF）、确定性DNNF（d-DNNF）和语句决策图（SDD）。这些电路施加了结构约束，使得某些查询（如一致性检查或模型计数）能在多项式时间内完成。
知识编译器
已开发出多种软件工具来自动执行知识编译。c2d编译器支持编译为d-DNNF，这是一种允许多项式时间模型计数和一致性检查的表示。d4编译器也以d-DNNF为目标，并以其在大规模实例上的高效性而著称。miniC2D编译为SDD，这是一种较新的表示，支持更广泛的查询和变换。KCBox支持编译为OBDD、OBDD[AND]和CCDD，在不同图类之间提供灵活性。
这些编译器用于概率推理、规划和配置管理等需要重复查询回答的应用中。通过一次编译模型，系统可以快速回答许多查询，这在实时或交互式环境中至关重要。
权衡与选择标准
编译表示的选择取决于应用的具体要求。例如，OBDD对许多实际函数是紧凑的，并支持多项式时间等价性测试，但对某些函数可能呈指数级膨胀。DNNF和d-DNNF通常更简洁，但支持的查询较少。SDD提供了中间地带，在多项式时间内支持模型计数和条件化，同时保持有利于编译的结构属性。
变换也很重要。某些应用需要修改编译表示，例如基于证据进行条件化或与附加约束合取。在动态环境中，即使这些表示不如其他替代方案紧凑，支持多项式时间变换的表示也更受青睐。
与机器学习的关系
知识编译在概念上不同于机器学习和深度学习，后者侧重于从数据中学习模式，而非变换逻辑模型。然而，编译表示已被探索为一种使学习模型更可解释或将符号推理与神经方法相结合的方式。例如，决策图可用于以支持形式验证的形式表示训练好的神经网络的决策边界。
近期工作还考察了与大语言模型推理的联系，其中编译知识库可以提供结构化背景知识以增强生成模型。虽然这些努力仍处于初期阶段，但它们凸显了知识编译作为连接符号和亚符号AI的桥梁的持续相关性。
当前方向
知识编译的研究继续聚焦于开发具有更好权衡的新表示类别、提高编译器可扩展性，以及将编译扩展到超越命题逻辑的更丰富逻辑语言。此外，人们也对直接从数据中学习编译表示感兴趣，这将模糊编译与机器学习之间的界限。随着AI系统日益复杂，在结构化知识上进行高效推理仍然是一个关键挑战，而知识编译为应对这一挑战提供了原则性框架。
参考文献
- Darwiche, A., & Marquis, P. (2002). A knowledge compilation map. Journal of Artificial Intelligence Research, 17, 229-264.
- Huang, J., & Darwiche, A. (2007). On compiling system models to faster SAT solvers. In Proceedings of the National Conference on Artificial Intelligence.
- Muise, C., McIlraith, S., Beck, J. C., & Hsu, E. (2012). Dsharp: Fast d-DNNF compilation with sharpSAT. In Canadian Conference on Artificial Intelligence.