[논문 리뷰] A Survey on Theorem Provers in Formal Methods

M. Saqib Nawaz, Moin Malik외 3명|arXiv (Cornell University)|2019. 12. 06.

Logic, programming, and type systems참고 문헌 247인용 수 16

한 줄 요약

이 논문은 형식적 방법 분야에서 40개 이상의 정리 증명기들을 종합적으로 조사하여 그들의 설계, 논리 프레임워크, 자동화 수준, 프로그래밍 패러다임, 응용 분야를 분석한다. 상호작용형과 자동화된 정리 증명기를 평가하고, 증명 자동화 및 지식 공유 분야의 핵심 과제를 규명하며, 확장 가능한 검증을 위한 기계 학습과 형식적 방법의 통합을 위한 향후 연구 방향을 제안한다.

ABSTRACT

Mechanical reasoning is a key area of research that lies at the crossroads of mathematical logic and artificial intelligence. The main aim to develop mechanical reasoning systems (also known as theorem provers) was to enable mathematicians to prove theorems by computer programs. However, these tools evolved with time and now play vital role in the modeling and reasoning about complex and large-scale systems, especially safety-critical systems. Technically, mathematical formalisms and automated reasoning based-approaches are employed to perform inferences and to generate proofs in theorem provers. In literature, there is a shortage of comprehensive documents that can provide proper guidance about the preferences of theorem provers with respect to their designs, performances, logical frameworks, strengths, differences and their application areas. In this work, more than 40 theorem provers are studied in detail and compared to present a comprehensive analysis and evaluation of these tools. Theorem provers are investigated based on various parameters, which includes: implementation architecture, logic and calculus used, library support, level of automation, programming paradigm, programming language, differences and application areas.

연구 동기 및 목표

• 형식적 방법 분야에서 정리 증명기 관련 종합적인 비교 자료의 부족을 보완하기 위해.
• 설계, 논리, 자동화 수준, 응용 분야 기반으로 40개 이상의 정리 증명기를 평가하고 비교하기 위해.
• 증명 자동화, 라이브러리 재사용, 시스템 간 통합 분야의 핵심 과제를 규명하기 위해.
• 기계 학습, 진화 알고리즘, 보편적인 형식 지식 포맷을 포함한 향후 연구 방향 탐색을 위해.
• 안전 중심 시스템을 위한 연구자 및 전문가가 정리 증명 도구를 선택하고 발전시킬 수 있도록 안내하기 위해.

제안 방법

• 구현 아키텍처, 논리 체계, 프로그래밍 패러다임 기반으로 40개 이상의 정리 증명기들을 체계적으로 분석하기 위해.
• 자동화 수준과 사용자 상호작용 기반으로 자동화된 증명기(ATP)와 상호작용형 증명기(ITP)로 분류하기 위해.
• 라이브러리 지원, 증명 자동화, SAT/SMT 솔버와의 통합 능력 평가하기 위해.
• 형식 지식 코퍼스를 기반으로 한 전제 선택 및 증명 안내에 기계 학습 기법을 효과적으로 적용하기 위해.
• O다이어그램/MMT와 같은 보편적인 형식 포맷을 활용한 다양한 증명기 간 지식 공유 및 번역 탐색하기 위해.
• ITP와 ATP를 결합한 피드백 루프와 함께 진화 알고리즘을 활용한 자동 증명 생성 탐색하기 위해.

실험 결과

연구 질문

• RQ1 주요 상호작용형 증명기와 자동화된 증명기 간의 설계, 논리, 자동화 수준의 주요 차이점은 무엇인가?
• RQ2 기계 학습 기법은 정리 증명 시스템에서 증명 자동화 및 안내를 향상시키기 위해 어떻게 효과적으로 적용될 수 있는가?
• RQ3 다양한 정리 증명기 생태계 간 지식 공유 및 상호운용성의 주요 장애 요인은 무엇인가?
• RQ4 진화 알고리즘 또는 AI 기반 피드백 루프는 형식 시스템 내 자동 증명 탐색을 어느 정도 향상시킬 수 있는가?
• RQ5 O다이어그램/MMT와 같은 보편적인 형식 지식 포맷은 형식 수학 라이브러리의 통합 및 재사용에 어떤 역할을 할 수 있는가?

주요 결과

• 40개 이상의 정리 증명기가 분석되었으며, 논리 지원, 자동화 수준, 구현 패러다임 측면에서 상당한 다양성이 드러났다.
• 상호작용형 정리 증명기(ITP)는 고도의 추론 및 AI 통합을 지원하는 대규모 컴퓨터 이해 가능한 라이브러리를 보유하고 있다.
• 기계 학습 기법은 특히 형식 지식 코퍼스를 기반으로 훈련된 경우 전제 선택 및 증명 전략 생성에 잠재력을 보이고 있다.
• 진화 알고리즘은 특히 ITP를 검증자로 활용할 경우 형식 증명의 생성 및 진화에 잠재력을 보이고 있다.
• O다이어그램/MMT와 같은 보편적 형식 포맷은 도구 간 형식 라이브러리 접근을 가능하게 하지만, 번역 과정은 여전히 수고롭고 비단순한 편이다.
• 진전이 있었음에도 불구하고, 수학의 형식화는 자동화 부족, 지식 공유 부족, 도구 통합 부족으로 인해 주류 도입에는 아직 미성成熟해 있다.