[論文レビュー] QBF Solving by Counterexample-guided Expansion

Roderick Bloem, Nicolas Braud-Santoni+1 more|arXiv (Cornell University)|Nov 4, 2016

Formal Methods in Verification参考文献 14被引用数 5

ひとこと要約

本稿では、Quantified Boolean Formulas (QBF) を解くための非再帰的で、反例に導かれる拡張手法を提案する。これは、再帰的戦略に依存する既存手法のスケーラビリティの問題を解消するため、Counterexample-Guided Inductive Synthesis (CEGIS) を一般化したものである。得られたアルゴリズムは効率的で実用的であり、設計選択や最適化の実証的検証を可能にする競争力のある実装によって裏付けられている。

ABSTRACT

We introduce a novel generalization of Counterexample-Guided Inductive Synthesis (CEGIS) and instantiate it to yield a novel, competitive algorithm for solving Quantified Boolean Formulas (QBF). Current QBF solvers based on counterexample-guided expansion use a recursive approach which scales poorly with the number of quantifier alternations. Our generalization of CEGIS removes the need for this recursive approach, and we instantiate it to yield a simple and efficient algorithm for QBF solving. Lastly, this research is supported by a competitive, though straightforward, implementation of the algorithm, making it possible to study the practical impact of our algorithm design decisions, along with various optimizations.

研究の動機と目的

• 再帰的拡張戦略に依存する既存の反例に導かれる QBF ソルバのスケーラビリティの低さを是正すること。
• 再帰を回避し、複数の量化子の入れ替えをより効果的に扱えるように一般化された CEGIS フレームワークの開発。
• 一般化された CEGIS アプローチに基づく実用的で効率的な QBF 解法アルゴリズムの設計。
• 実世界の性能と、主要な設計意思決定および最適化の影響を評価するためのアルゴリズム実装。

提案手法

• CEGIS を一般化し、QBF 解法における非再帰的拡張を可能にし、再帰的精錬に依存しないようにする。
• 反例を用いて反復的拡張を誘導し、繰り返しの再帰的走査を回避する。
• 反例の分析と精錬を通じて、満たす割り当てを段階的に構築するソルバを構築する。
• 実用的 QBF インスタンスにおける性能向上のため、最適化技術をソルバに統合する。
• 個々のアルゴリズム的選択の影響を分離して評価できるモジュラー実装を設計する。

実験結果

リサーチクエスチョン

• RQ1 非再帰的 CEGISに基づくアプローチは、再帰的対比において QBF 解法のスケーラビリティを上回ることができるか？
• RQ2 一般化された CEGIS フレームワークは、既存手法と比較して、増加する量化子の入れ替え数をどのように処理するか？
• RQ3 提案されたアルゴリズム設計およびその最適化の実用的性能への影響は何か？
• RQ4 新しいアプローチは、最先端の QBF ソルバと比較してどの程度競争力を持つのか？

主な発見

• 提案された非再帰的 CEGISに基づく QBF ソルバは、再帰的アプローチと比較してスケーラビリティが向上しており、特に量化子の入れ替えの深さが高くなると顕著である。
• 標準的な QBF ベンチマークにおいて、競争力のある性能を達成しており、実用的妥当性が示された。
• 実装により、設計意思決定および最適化戦略の効果的な実証的分析が可能となった。
• CEGIS の一般化により、再帰の必要性が完全に排除され、アルゴリズムは単純化された一方で、効果性を維持した。