[论文解读] The Boyer-Moore Waterfall Model Revisited

Petros Papapanagiotou, Jacques Fleuriot|arXiv (Cornell University)|Aug 11, 2018

Artificial Intelligence in Games参考文献 12被引用 3

一句话总结

本文通過將30年前的Boyer-Moore瀑布模型整合到HOL Light定理自動機器證明系統中，作為一個完全自動化的策略，重新審視了該模型。通過引入現代化的一般化技術、證明反饋機制和循環檢測，該模型在150條定理的基準測試中達到了47%的成功率，展示了其在互動式證明環境中持續的相關性和可擴展性。

ABSTRACT

In this paper, we investigate the potential of the Boyer-Moore waterfall model for the automation of inductive proofs within a modern proof assistant. We analyze the basic concepts and methodology underlying this 30-year-old model and implement a new, fully integrated tool in the theorem prover HOL Light that can be invoked as a tactic. We also describe several extensions and enhancements to the model. These include the integration of existing HOL Light proof procedures and the addition of state-of-the-art generalization techniques into the waterfall. Various features, such as proof feedback and heuristics dealing with non-termination, that are needed to make this automated tool useful within our interactive setting are also discussed. Finally, we present a thorough evaluation of the approach using a set of 150 theorems, and discuss the effectiveness of our additions and relevance of the model in light of our results.

研究动机与目标

• 評估30年前的Boyer-Moore瀑布模型在現代化定理自動機器證明工具中的可行性，特別是在當代證明助手中的應用。
• 在HOL Light中整合並擴展Boyer-Moore模型，利用其靈活且低層次的架構實現與系統的深度交互。
• 通過先進的一般化啟發式算法、證明冗餘度控制以及非終止性問題的緩解措施，提升自動化程度。
• 評估將原始Boyer-Moore一般化技術與Aderhold的逆削弱技術結合使用的有效性，並在現代環境中驗證其效果。
• 證明瀑布模型依然是互動式定理證明中可擴展、可伸縮的歸納證明自動化技術的可靠基礎。

提出的方法

• 在HOL Light中實現一個完全整合的Boyer-Moore瀑布策略，利用其基於OCaml的低層次架構，實現與內部數據結構和策略的無縫交互。
• 基於Boulton對HOL 90中Boyer-Moore系統的實現，重建一個忠實的基礎，以保留原始瀑布邏輯的本質。
• 將現有的HOL Light證明程序（如MESON和重寫）整合到瀑布處理管道中，以提升簡化能力和證明搜索效率。
• 通過引入Aderhold的逆削弱技術來增強一般化啟發式算法，實現變量一般化，並與原始Boyer-Moore子項一般化方法進行比較。
• 實現基於子句池大小和歸納次數的循環檢測啟發式算法，並採用類似MESON的增量深度控制機制，以防止非終止情況。
• 增加證明反饋機制，以提升自動證明過程中的透明度與用戶引導能力。

实验结果

研究问题

• RQ1 經典的Boyer-Moore瀑布模型是否能在現代互動式定理證明工具（如HOL Light）中被有效恢復並擴展？
• RQ2 在該環境下，先進的一般化技術（如Aderhold的逆削弱）與原始Boyer-Moore子項一般化相比，表現如何？
• RQ3 循環檢測與啟發式調優在實踐中能在多大程度上提升瀑布模型的魯棒性與可用性？
• RQ4 增強版的Boyer-Moore策略在150條歸納定理的代表性基準測試中的性能與成功率如何？
• RQ5 將現有的HOL Light程序（如MESON）與重寫規則整合到瀑布框架中，是否能顯著提升證明自動化能力？

主要发现

• 增強版的Boyer-Moore策略在評估集的150條定理中成功證明了47%，表明即使在完全自動化環境下，該模型仍具備強大的潛力。
• 在本系統環境中，原始Boyer-Moore子項一般化方法優於Aderhold的逆削弱技術，特別是因為其方程判斷標準以及對構造子/訪問子的處理能力。
• Aderhold的變量一般化算法在特定情況下展現出價值，表明結合兩種技術的混合方法可達最佳效果。
• 將HOL Light原生程序（如MESON和重寫）整合進系統，顯著提升了簡化效率與證明搜索性能。
• 循環檢測啟發式算法（包括子句池大小與歸納次數監控）有效緩解了非終止問題，提升了系統的可靠性。
• HOL Light的靈活可編程特性使得瀑布模型的無縫整合與擴展成為可能，並支持未來類似ACL2從原始Boyer-Moore證明器發展而來的演進路徑。