他画出了一个混合架构的示意图：“为什么不尝试一种混合方法？让神经网络负责直觉性的模式识别，而逻辑推理部分交给符号系统处理。两者通过一个交互接口进行通信。”

他详细解释了这种架构的工作原理：“当遇到逻辑推理任务时，神经网络先将问题转化为符号表示，交给符号系统进行严格的逻辑推导，最后再将结果反馈给神经网络。这样既保留了深度学习的强大表示能力，又确保了逻辑推理的准确性。”

张景辉恍然大悟：“所以不是要让神经网络学会逻辑推理，而是要让它们学会什么时候该把问题交给符号系统，我好像有点明白了。

接下来的半个小时，李宸为两人详细讲解了具体的实现方法。

由于实现的过程十分复杂，他不能直接给出答案，不过他相信这就是正确的道路，剩下的就交给两个学生来验证。

在接下来的日子里，艾米莉和张景辉按照李宸的指导开始了新的尝试。

艾米莉在上同调约束的引导下，成功构建了一个新的优化算法。

让她惊喜的是，这个算法不仅解决了奇点问题，还将推进器的理论效率提升了15%。

而张景辉的进展同样令人振奋，他设计的神经-符号混合系统在逻辑推理测试中的准确率达到了98%，远超之前的70%。

“老师给出的这个架构真是太棒了！”张景辉在课题组群里分享了他的初步成果，“它不仅解决了逻辑推理的问题，还让模型具备了更强的数学能力。”

李宸看着两人的进展报告，满意地点了点头，看来自己的选择没有错，这两人帮了他很多忙。

在下一次组会，李宸对两人说道：“你们这次的突破很有意义，可以各自整理成论文，投递出去。”

艾米莉闻言，脸上立刻绽放出兴奋的光彩：“教授，您觉得我们应该投哪个期刊？”