[论文解读] Polarities & Focussing: a journey from Realisability to Automated Reasoning

Stéphane Graham-Lengrand|arXiv (Cornell University)|Dec 17, 2014

Logic, programming, and type systems被引用 6

一句话总结

本论文提出了一套统一框架，将经典逻辑中的极性与聚焦联系起来，以弥合证明理论、可实现语义与自动推理之间的鸿沟。该框架引入了一个基于聚焦sequent演算的证明搜索引擎Psyche，通过基于半格与元变量依赖关系的约束传播架构，实现了在自动定理证明与SMT求解中对高级推理技术的可信、模块化集成。

ABSTRACT

This dissertation explores the roles of polarities and focussing in various aspects of Computational Logic.These concepts play a key role in the the interpretation of proofs as programs, a.k.a. the Curry-Howard correspondence, in the context of classical logic. Arising from linear logic, they allow the construction of meaningful semantics for cut-elimination in classical logic, some of which relate to the Call-by-Name and Call-by-Value disciplines of functional programming. The first part of this dissertation provides an introduction to these interpretations, highlighting the roles of polarities and focussing. For instance: proofs of positive formulae provide structured data, while proofs of negative formulae consume such data; focussing allows the description of the interaction between the two kinds of proofs as pure pattern-matching. This idea is pushed further in the second part of this dissertation, and connected to realisability semantics, where the structured data is interpreted algebraically, and the consumption of such data is modelled with the use of an orthogonality relation. Most of this part has been proved in the Coq proof assistant.Polarities and focussing were also introduced with applications to logic programming in mind, where computation is proof-search. In the third part of this dissertation, we push this idea further by exploring the roles that these concepts can play in other applications of proof-search, such as theorem proving and more particularly automated reasoning. We use these concepts to describe the main algorithm of SAT-solvers and SMT-solvers: DPLL. We then describe the implementation of a proof-search engine called Psyche. Its architecture, based on the concept of focussing, offers a platform where smart techniques from automated reasoning (or a user interface) can safely and trustworthily be implemented via the use of an API.

研究动机与目标

• 建立经典逻辑中极性与聚焦之间的概念与形式桥梁，阐明其在证明即程序、可实现性与自动推理中的作用。
• 基于聚焦sequent演算，开发一个模块化、可信的证明搜索引擎（Psyche），用于自动定理证明与SMT求解。
• 形式化证明搜索中约束传播与依赖管理的集成，尤其在含理论的一阶逻辑背景下。
• 探索聚焦证明系统如何建模并实现SAT/SMT求解器的核心算法，如DPLL及其扩展。
• 为在逻辑上严谨的框架中集成高级推理技术（如触发机制与理论实例化）提供基础，基于聚焦演算。

提出的方法

• 采用聚焦sequent演算（LKp）来组织证明搜索，通过极性区分正向公式（数据生成）与负向公式（数据消耗）。
• 利用Curry-Howard对应关系将证明解释为程序，其中聚焦建模了数据与消费者之间的纯模式匹配。
• 通过正交关系形式化可实现语义，将结构化数据代数化解释，通过对偶性建模消耗行为。
• 设计Psyche证明搜索引擎，采用聚焦架构，支持模块化约束处理与依赖追踪。
• 使用半格实现约束传播，建模约束交集（σ ∧ σ′），实现早期不一致分支的检测与持久化数据结构。
• 通过元变量与约束系统扩展框架以支持量词与理论，支持不同约束类型（如算术、等式）的模块化设计。

实验结果

研究问题

• RQ1 极性与聚焦如何为经典逻辑的证明提供统一的语义与算法基础，从可实现性到自动推理？
• RQ2 聚焦sequent演算在何种程度上能建模DPLL与DPLL(T)求解器的核心机制，如单位传播与理论实例化？
• RQ3 证明搜索引擎如Psyche如何通过基于聚焦证明系统的API，安全且模块化地集成高级推理技术？
• RQ4 何种代数结构（如半格）最能捕捉含元变量的证明搜索中约束传播的行为？
• RQ5 聚焦证明系统能否形式化捕捉SMT求解策略，如基于触发的实例化与理论特定推理？

主要发现

• 该框架通过聚焦成功建模了正向公式（数据生成）与负向公式（数据消耗）之间的交互，证明过程类似于纯模式匹配。
• Psyche 2.0的架构支持模块化约束处理，通过半格实现的约束传播可实现不一致分支的早期检测。
• 通过允许自由变量（与Skolem化对偶）实现的依赖追踪，使得在元变量存在时能够安全且可扩展地进行实例化。
• 将DPLL与DPLL(T)形式化为含量词与元变量的LKp(T)中的证明搜索，为SMT求解器组件提供了逻辑基础。
• SMT求解器中的基于触发的实例化可建模为聚焦证明系统，其中触发谓词被视为正向，需在探索主公式前立即证明。
• LAF（聚焦sequent演算）的抽象框架被证明适用于建模等式与其他理论，表明其在一阶逻辑之外也具有广泛适用性。