ファクター化タスク（Factored Tasks, FTS）は、選言的前提条件、条件付き効果、天使的非決定性を導入することでSAS+を拡張した古典的な人工知能計画表現である。従来のSTRIPSやSAS+といった計画表現と比較して、FTSはよりコンパクトにタスクを記述でき、さまざまなタスク変換操作をサポートする。しかし、これまでのFTSに対する計画手法は主にヒューリスティック探索に依存しており、ブール充足可能性（SAT）ソルバーの強力な能力を十分に活用していなかった。
本研究では、複数の研究機関の研究者が、FTSをSAT問題にエンコードする可能性を体系的に探求した。彼らは、ファクター化タスクの遷移関係を命題論理に効率的に変換するための複数のエンコード戦略を提案している。これらの戦略には、直接エンコード、状態ベースのエンコード、ハイブリッド手法などが含まれ、各戦略は求解効率において異なる利点と欠点を持つ。さらに、研究者たちはSAT求解プロセスにおいて、エンコードレベルやソルバーレベルでの並列化技術を導入し、全体的な求解性能を向上させる方法についても分析している。
重要な貢献として、この研究は一般的なタスク変換（目標分割、動作分解など）がSATプランナーの性能に与える影響を詳細に調査している。実験結果は、特定の変換操作がSAT問題の規模を大幅に削減し、求解速度を向上させる一方で、他の変換が冗長な制約を導入し、求解効率を低下させる可能性があることを示している。これらの発見は、実際のアプリケーションで適切なエンコードと変換戦略を選択するための指針を提供する。
この研究は、SAT技術をより複雑な計画問題に適用するための新たな道を開くだけでなく、計画表現とSAT解決の間の橋渡しにおける課題を明らかにしている。論文の著者にはJoão Filipeを含む3人の研究者が名を連ね、2026年5月28日にarXivに提出され、現在人工知能（cs.AI）カテゴリに収録されている。この研究は、計画分野のアルゴリズム設計、オープンソースツールの開発、将来の製品化の方向性に重要な影響を与えると予想される。