该论文提出一种混合SAT求解框架，将概率比特（p-bit）Ising采样器与经典冲突驱动子句学习（CDCL）求解器结合。传统CDCL求解器在可满足性实例上仍需大量冲突分析与布尔传播才能定位有效搜索区域。本文方法利用p-bit Ising采样器生成高一致性的文字（literals），作为临时假设传递给CDCL，旨在减少CDCL内部搜索开销。当采样假设导致矛盾时，CDCL回退到常规搜索。在受控骨干随机3-SAT基准测试上，混合方法相比纯CDCL减少中位冲突80.8-85.5%、中位传播80.2-84.6%。效益分布敏感，仅对特定实例类有效。进一步探索了机器学习门控机制，估计何时混合求解有益，随机森林门控保留94.8%的混合性能优势。该研究属于纯学术方法探索，无直接安全应用，但可能启发未来SAT求解效率提升。