[论文解读] A Survey on Theorem Provers in Formal Methods

M. Saqib Nawaz, Moin Malik+3 more|arXiv (Cornell University)|Dec 6, 2019

Logic, programming, and type systems参考文献 247被引用 16

一句话总结

本文对40多个定理证明器进行了全面综述，分析了其设计、逻辑框架、自动化水平、编程范式及应用领域。评估了交互式与自动化定理证明器，识别出证明自动化与知识共享中的关键挑战，并提出了未来研究方向：将机器学习与形式化方法相结合，实现可扩展的验证。

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.

研究动机与目标

• 为形式化方法中定理证明器缺乏全面比较资源的问题提供解决方案。
• 基于设计、逻辑、自动化水平与应用领域，对40多个定理证明器进行评估与比较。
• 识别出在证明自动化、库复用以及系统间集成方面的关键挑战。
• 探索涉及机器学习、进化算法与通用形式化知识格式的未来研究方向。
• 为研究人员和实践者在选择和推进用于关键安全系统的形式化证明工具方面提供指导。

提出的方法

• 对40多个定理证明器在实现架构、逻辑系统与编程范式方面的系统性分析。
• 根据自动化水平与用户交互程度，将证明器分类为自动化（ATPs）与交互式（ITPs）。
• 评估库支持、证明自动化水平以及与SAT/SMT求解器的集成能力。
• 研究机器学习在前提选择与证明引导中的应用，利用形式化知识语料库。
• 探索通用形式化格式（如OMDoc/MMT）在跨证明器知识共享与转换中的作用。
• 分析进化算法与结合ITP与ATP的反馈回路在自动化证明生成中的应用。

实验结果

研究问题

• RQ1 主要的交互式与自动化定理证明器在设计、逻辑与自动化方面有何关键差异？
• RQ2 机器学习技术如何有效应用于改进定理证明系统中的证明自动化与引导？
• RQ3 不同定理证明器生态系统之间知识共享与互操作性的主要障碍是什么？
• RQ4 进化算法或AI驱动的反馈回路在形式化系统中增强自动化证明搜索方面能发挥多大作用？
• RQ5 通用形式化知识格式（如OMDoc/MMT）在统一与复用形式化数学库方面能发挥什么作用？

主要发现

• 分析了40多个定理证明器，揭示了其在逻辑支持、自动化水平与实现范式方面存在显著多样性。
• 交互式定理证明器（ITPs）拥有大型、计算机可理解的库，支持高级推理与AI集成。
• 机器学习技术在前提选择与证明策略生成方面展现出潜力，尤其在基于形式化知识语料库训练后。
• 进化算法在生成与演化形式化证明方面展现出潜力，特别是在与ITP作为验证器结合时。
• 通用格式（如OMDoc/MMT）可实现跨工具访问形式化库，但翻译过程仍具劳动密集性与复杂性。
• 尽管已有进展，数学形式化在主流应用中仍不成熟，原因在于自动化程度有限、知识共享不足以及工具集成薄弱。