[논문 리뷰] Algebraic Foundations of Proof Refinement

Jonathan Sterling, Robert Harper|arXiv (Cornell University)|2017. 03. 15.

Logic, programming, and type systems참고 문헌 16인용 수 5

한 줄 요약

이 논문은 종속형 타입 이론에서 전술 기반 증명 정밀화를 위한 새로운 프레임워크인 Dependent LCF를 소개한다. 이 프레임워크는 이전 증명 증거에 의존하는 하위목표를 지원하며, 자연 변환을 사용하여 정밀화 규칙을 형식화하고 LCF를 순서화된 다중전술로 확장함으로써 너비 우선 반복을 가능하게 하며, 국소적이지 않은 변수 인스턴티에이션의 필요성을 제거하여 증명 정밀화의 의존성 문제를 성공적으로 해결한다.

ABSTRACT

We contribute a general apparatus for dependent tactic-based proof refinement in the LCF tradition, in which the statements of subgoals may express a dependency on the proofs of other subgoals; this form of dependency is extremely useful and can serve as an algorithmic alternative to extensions of LCF based on non-local instantiation of schematic variables. Additionally, we introduce a novel behavioral distinction between refinement rules and tactics based on naturality. Our framework, called Dependent LCF, is already deployed in the nascent RedPRL proof assistant for computational cubical type theory.

연구 동기 및 목표

• LCF 스타일의 증명 정밀화에서 하위목표가 이전 하위목표의 증거에 의존하는 종속형 타입 이론에서의 의존성 문제를 해결하기 위해.
• 서브목표가 증거 증거에 의존할 수 있도록 함으로써 계획 변수의 국소적이지 않은 인스턴티에이션의 필요성을 제거하기 위해.
• 자연성 기반의 정밀화 규칙과 전술 간의 구분을 형식화하여 모듈성과 정확성을 향상시키기 위해.
• 양방향 타입 체킹과 계산적 큐빅스 타입 이론에서의 복잡한 타입 합성 기능을 지원하는 표준 ML에서의 실용적 구현을 제공하기 위해.

제안 방법

• 자연 변환을 사용하여 정밀화 규칙과 전술 간의 행동적 차이를 모델링하는 범주론적 기반을 도입한다.
• 입력(파란색) 및 출력(마룬색) 모드를 갖춘 순서 기반 판단 체계를 사용하여 이전 하위목표의 증거에 의존할 수 있는 하위목표를 포함하는 정밀화 논리 체계를 정의한다.
• 함수자와 자연 변환의 복합체를 통해 전술을 조합하는 일반적인 순서 전술 'seq'를 개발한다.
• 캡레타의 지연 모나드를 사용하여 재귀적 전술을 위한 고정점 조합자를 구성함으로써, 다중전술을 통한 너비 우선 반복을 가능하게 한다.
• 표준 ML에서 프레임워크를 구현하여 다중전술 기반의 반복 전략을 사용해 하위목표 간에 치환을 더 효과적으로 전파한다.
• 프레임워크를 RedPRL에 적용하여 계산적 큐빅스 타입 이론에서 정확하고 모듈화된 증명 정밀화를 가능하게 한다.

실험 결과

연구 질문

• RQ1 어떻게 종속형 타입 이론에서 다른 하위목표의 증거에 의존하는 하위목표를 지원할 수 있는가?
• RQ2 자연성이 정밀화 규칙과 전술을 구분하는 데서 어떤 역할을 하는가? 그리고 이는 모듈성과 정확성을 어떻게 향상시키는가?
• RQ3 재귀적 전술은 너비 우선 처리를 지원하도록 어떻게 구성할 수 있는가?
• RQ4 비국소적 변수 인스턴티에이션에 의존하지 않고 LCF 스타일의 증명 보조도구에서 의존성 문제를 어떻게 해결할 수 있는가?
• RQ5 양방향 타입 체킹과 복잡한 타입 합성을 지원하는 통합된 정밀화 및 증거 의미론 프레임워크를 구축할 수 있는가?

주요 결과

• 서브목표가 이전 서브목표의 증거에 의존할 수 있도록 함으로써 이 프레임워크는 증명 정밀화의 의존성 문제를 성공적으로 해결하며, 비국소적 인스턴티에이션의 필요성을 제거한다.
• 정밀화 규칙과 전술 간의 구분에 자연성이 사용됨으로써 철저한 책임 분리가 가능해지고 구성적 추론이 향상된다.
• 다중전술을 통한 너비 우선 반복은 깊이 우선 반복보다 하위목표 간에 치환을 더 효과적으로 전파한다.
• RedPRL에서의 구현은 강력한 정밀화 장치가 갖춰진 경우 실용적이고 사용 가능한 확장형 타입 이론 시스템이 가능하다는 것을 보여준다.
• 이 프레임워크는 끈기 없고 복잡한 전술을 요구하지 않으면서도, 양방향 타입 체킹에 기반한 고도의 타입 합성 규칙을 지원한다.