Abstract
最近幾年類神經網路模型( 或稱為連結式模型，Connectionist Model)逐漸受到大家的注意。但是目前的類神經網路模型大多著重在次符號的層次。有很多人嘗試要把一些高階的認知技巧運用類神經網路來達成。本論文提出一組類神經網路架構( 稱為NGPS) 來證明命題邏輯的定理，困為證明命題邏輯的定理需要具有一般問題解決的能力，由此可以在類神經網路上表現出一般問題解決的架構。傳統的符號問題解決程式，比如GPS ，要求使用者明白地定義出評估函數以便執行“方法－結果分析(Means-ends Analysis)"的技巧。本論文指出這種限制可以藉由類神經網路的隱含式及次符號式的學習方法加以去除。NGPS是一個兩層的類神經網路架構：一個用來儲存問題解決策略的玄級控制網路(Meta-Level Controller) 以及一個用來完成”方法－結果分析“技巧中各別問題解決任務的目標級執行網路(Object-level Performer)。目標級執行網路可以再細分為四個功能不同的目標子網路(Goal subnetwork) 。NGPS可以自動地學習到解決問題的策略，并且可以達成一般類神經網路模型所無法達成的結構敏感運算(Structure-sensative Oeration)。