본 연구는 논리 제약과 제약에 일치하는 데이터셋을 함께 생성하는 신경기호 학습 과제 생성기 NeSySy를 소개한다. 기존 벤치마크와 달리 제약의 구조, 엄격도, 입력 의존성, 데이터 생성 및 정렬 전략 같은 핵심 속성을 세밀하게 조절할 수 있다. 특히 무한 도메인에서도 표현력이 높은 제약을 쓸 수 있다. 풀이기는 제약이 의미가 있는지, 생성한 표본이 제약을 만족하는지 보장한다. NeSySy는 선언적 제약을 활용한 학습과 원격 감독을 통한 학습을 모두 지원하게 설계했다. 여러 제약 계열에서 매개변수가 과제 난도에 체계적이면서 대체로 독립적인 영향을 준다는 증거를 제시한다. NeSySy를 활용해 제약을 고려하는 학습 방법을 연구했다. 제약을 명시적으로 강제하는 편이 유리한 조건과, 표현력이 높은 무제약 모델이 데이터에서 제약 구조를 직접 학습할 수 있는 조건을 각각 확인했다. 이 결과는 NeSySy를 학습과 논리 구조의 상호작용을 분석하는 통제된 실험 환경으로 활용할 수 있음을 보여 준다. NeSySy의 파이프라인에는 여러 풀이기가 포함된다. 충족 가능성 검사기인 CNFgen과 Z3는 제약을 생성하고 검증한다. MaxSAT용 RC2와 OMT용 Z3 같은 제약 최적화 풀이기는 모든 생성 표본이 제약과 일치하도록 최적 수정을 계산한다.
Isabelle Pool Server(IPS)는 HTTP API 뒤에 준비된 헤드리스 Isabelle 세션 풀을 두고, 세션 대여 및 회수, 메모리 인지 허용 제어, 모든 호출에 대한 시간 예산을 갖춘 검증 서비스이다. 이 검증 인터페이스는 단일 단계 실행, 블록 단위 증명 검사, 전체 이론 빌드를 포괄하며, 저렴한 분기와 백트래킹을 위한 체크포인트와 최종 판정자로서의 처음부터의 빌드를 제공한다. 이 서비스는 모니터링을 갖춘 단일 컨테이너로 실행되며 Python 클라이언트, 두 개의 MCP 서버, 원시 HTTP API를 통해 접근할 수 있다. 우리의 측정에서 IPS는 에이전트용 PIDE 프런트엔드인 PIDE MCP와 2026년 10월 커밋 기준(이 도구는 현재 PIDE AI이다)으로 워커 1개일 때 대등하고 8개일 때 앞선다. 세션이 가동되면 한 호스트에서 32개의 동시 워커까지 확장되어 단일 워커 처리율의 24배에 이르며, 메모리 압박 상황에서는 기존 세션을 잃는 대신 새 세션을 거부한다. IPS는 자유 소프트웨어이며 https://github.com/Deep-LCF/Isabelle-Pool-Server 에서 공개되어 있다.
모델 불가지론적 메타러닝(MAML)과 같은 경사 기반 메타러너는 미분을 통과시켜야 하는 경사 하강 내부 루프로 새로운 과제에 적응하며, 네트워크의 모든 가중치를 메타러닝한다. 반면 Meta-LSQ는 고정된 랜덤 푸리에 기저에 대한 한 번의 정규화 최소제곱 풀이로 각 과제를 적합하고, 대역폭, 릿지, 도함수 가중치라는 세 개의 스칼라만 메타러닝한다. 사인 함수의 도함수는 다시 사인 함수이므로 동일한 풀이가 도함수 관측도 받아들일 수 있으며, 적합된 모델은 임의 차수의 정확한 닫힌 형태 도함수를 갖는다. 10-샷 사인 함수 회귀에서 Meta-LSQ는 14초 만에 학습되며, 36배 더 오래 학습하는 1차 MAML 기준선보다 5.5배 낮은 오차로 끝난다. 가우시안 프로세스 대조 실험은 이 이득의 대부분이 과제 간에 하나의 커널을 공유하는 데서 나옴을 시사한다. DESY ARES 시설의 시뮬레이션된 빔 튜닝에서 모델 도함수를 사용한 Meta-LSQ는 ALPaCA 방식 모델보다 약간 더 정확하며 경사 하강보다 훨씬 앞선다. DESY의 전체 목표 빔 범위에서, 역시 시뮬레이션과 측정만으로, 최적 설정의 중앙값 오차는 7.3 $\mu$m이며, 이는 그들의 강화학습 에이전트가 발표한 최종 빔의 14.4에 대비된다. 다만 작은 목표에 대한 300회 시행에서는 강화학습 에이전트의 중앙값이 더 낮다. 실제 센서 보정 데이터에서는 학습된 사전 평균 덕분에 네 개 목표 중 두 개에서 MAML을 앞서지만, 동일한 변경을 적용한 정확한 가우시안 프로세스와 ALPaCA 방식 모델이 대부분의 목표에서 더 정확하며, 비매끄러운 목표에서는 성능이 무너진다. 기저의 span 밖에 있는 무잡음 목표에서는 일반화 교차 검증과 같은 표본 내 기준이 지나치게 작은 릿지를 선택한다.
양자화 신경망은 정밀도를 낮추어 계산 효율을 달성하지만, 이산적인 반올림 및 클램핑 연산 때문에 양자화 오차를 한정하는 것은 여전히 어려운 과제이다. 본 논문에서는 양자화된 ReLU 순전파 신경망 검증을 위한 조노토프 기반 추상 해석 프레임워크를 제시하고, 두 연산을 함께 처리하는 통합 round-clamp 추상 변환자를 도입한다. 이 프레임워크를 선형 제약을 추가해 경계를 조이는 제약 조노토프로 확장하고, 건전한 양자화 오차 표현을 유도한다. round-clamp 추상 변환자의 건전성과 아핀 스트립 최적성, 그리고 그 완전한 제약 형식의 볼록 껍질 최적성을 증명한다. ACAS Xu 벤치마크에서 제안한 제약 조노토프 방법은 가장 작은 두 섭동 반경(r=3 및 r=6)에서 QEBVerif의 기호적 DRA 전파에 비해 평균 오차 경계 폭을 약 70-85%, 실행 시간을 65-80% 줄인다. 이러한 개선은 비트폭 전반에서 균일하지 않으며, 더 큰 반경에서는 기호적 DRA가 더 조밀한 경계를 달성한다. 일반 조노토프 방법은 평균적으로 약 300배 빠르게 경쟁력 있는 건전한 경계를 제공한다.
타임스탬프 순열은 동적 링크 예측기가 시간 정보를 활용하는지 검증하는 데 쓰이지만, 성능 차이는 학습의 변화, 평가 이력의 변화, 또는 둘 모두를 반영할 수 있다. 우리는 교차 진단을 통해 이러한 효과를 분리하고, 변경된 이력이 실제로 예측기의 입력을 바꾸는지를 나타내는 입력 노출도를 측정한다. MOOC에서 이진 교차 엔트로피로 학습한 TCL은 어느 평가 이력에서든 원래 시간 순서로 학습할 때 쌍별 정확도가 약 8점 향상되는 반면, 가중치를 고정하고 이력만 바꾸면 0.03점만 변한다. 이력 대비가 작은 것은 질의의 68.37%에서 입력이 변하지 않고, 대부분의 나머지에서 순위가 안정적이며, 이득과 손실이 상쇄되기 때문이다. 원래 평가 이력 하에서 명시적 시간 인코딩을 억제하면 학습 대비가 8.03점에서 3.64점으로 줄어들며, 이는 여섯 개 시드에서 4.39점의 쌍체 감소(95% 구간 [3.68, 5.09])이다. DyGFormer는 노출도가 더 큼에도 불구하고 두 개 시드에서 학습 대비 22.34점, 이력 대비 0.38점을 보인다. 부분 이력 순열은 명목상의 개입 강도, 입력 변화, 종합 정확도를 추가로 분리한다. 이러한 비교는 단일한 순열 성능 차이를 학습 조건과 모델 반응에 대한 해석 가능한 진술로 바꾸어 주며, 시간적 학습의 내부 메커니즘은 열린 문제로 남긴다.
생의학 지식 표현은 관측에서 결론에 이르는 과정을 투명하고, 엄밀하며, 이해 가능하고, 설명 가능하며, 재현 가능하게(TRUER) 만들어야 한다. 본 논문은 구현 소프트웨어와 무관한 의미를 갖는, 실세계 전기생리 데이터(RWED)의 시간적 표현형을 명세하기 위한 유리수 앙상블 논리(QEL)를 제안한다. QEL은 유리수 시간 위에서 세 가지 매개변수화된 양상 연산자(정확한 변위, 유계 존재, 유계 보편성)를 불리언 연결자 및 1차 한정과 결합한다. QEL의 레이블 구간 앙상블(LINE) 의미론은 주석이 달린 기록을 유한한 구간 앙상블로 표현한다. 우리는 이 연산자들을 형태학적 연산과 연관 짓고, 모델 검사를 위한 끝점 배열 알고리즘과 유한한 유리수 증거 집합을 개발한다. 구간 연산의 닫힘성과 의미적 정확성을 증명하고, 한정자 소거를 통해 유한한 증거 집합을 얻으며, 고정된 식에 대해 다항 시간의 데이터 복잡도를 확립한다. 수작업으로 구성한 54개 기록에서 프로토타입은 기본 및 엄격한 발작 후 전반적 EEG 억제(PGES) 질의에 대해 지정된 결과와 일치했다. 1,976명의 환자를 대상으로 한 별도의 타당성 실험에서는 16초 만에 37명의 해당 환자와 45개의 주석 패턴을 식별했다. 공개된 프로토타입은 끝점 후보와 수치 허용오차를 사용한다. QEL은 명시적 표현형 정의, 정밀한 의미론, 증명 가능하게 올바른 평가 절차, 그리고 존재 질의에 대한 유리수 증인을 통해 TRUER 원칙을 뒷받침한다. 이는 특정 임상 해석, 데이터 주석 품질, 소프트웨어 구현과 무관한 알고리즘의 형식적 명세와 정확성을 위한 논리적 기반을 제공한다.
Coq, Agda, Lean 4와 같은 수학적 증명 보조기는 증명 무관성을 정의적 변환에 내장하여($P : Prop$일 때 $p, q : P$에 대해 $p \equiv q$), 어떤 도출이 정리를 성립시켰는지를 지운다. 고정된 공리 위의 수학에는 자연스럽지만, 판단적 증명 무관성은 검증된 과학적 저장소와 양립할 수 없다. 이러한 저장소는 주장에 대한 독립적인 도출들을 검사하고 비교하여 일치성(consilience)을 평가하고, 어세이, 시약 또는 모델이 무효화될 때 반사실적 철회를 계산해야 하기 때문이다. 더욱이 정의적 증명 무관성을 서브싱글턴 제거와 결합하면 정규화가 깨지고 알고리즘적 변환이 비추이적이 된다. 본 논문은 과학을 위한 검증된 지식 기반인 Eigenius의 유형 이론적 및 기관적 토대를 제시한다. 첫째, 누적 우주($Prop, Set, Type_k$), 임프리디커티브 $Prop$, 인덱스에 의해 강제되는 서브싱글턴 제거를 갖는 귀납 패밀리, 내포적 동일성 타입을 갖춘 의존 커널을 정식화한다. 여기서 정의적 동등성 $\equiv$은 직교 CRS 하에서의 비유형 결합 가능성이며 증명 무관성은 증인이 있는 공리($irrel : \Pi P{:}Prop.\,\Pi p,q{:}P.\,Id\,P\,p\,q$)이다. 둘째, 우주 누적성, $\Pi$-공변 서브타이핑, 온톨로지 클래스 포함을 강제 변환 없는 포섭 판단으로 통합하며, 그 양방향 단편($\mathcal{K}_0, \mathcal{K}_1$)은 주체 환원을 만족하고, 단일화 없는 검사기($\mathcal{A}_0, \mathcal{A}_1$)로 컴파일되며, 선언적 타이핑과 일치한다. 셋째, 외부 검증기를 명시적 공리 정책(Adopt, Discharge, Relativize)을 갖춘 3단계 기관 계층으로 조직하고, Why-출처 지원 $supp(j,P)$를 갖춘 정당화 논리를 내재화하며, 개방 세계 지식 그래프를 위해 Cooper의 레코드 타입 이론(TTR)을 내장한다. 마지막으로 Grothendieck 우주에서 일관성을 증명하고, 메타이론을 sorry 공리 없이 Lean 4에서 기계화한다.
로봇 응용은 주행, 조작, 검사처럼 오래 걸리는 작업에 의존하는 경우가 많다. ROS 2에서는 일반적으로 이를 액션으로 구현한다. 토픽이나 서비스와 달리 액션에는 목표 제출 및 수락, 피드백, 상태 갱신, 결과 조회, 취소로 이루어진 구조화된 수명 주기가 있다. 기존 ROSMonitoring은 토픽과 서비스를 지원하지만 액션의 수명 주기를 재구성하거나 액션 수준 이벤트를 실행 중 검증 오라클에 제공하지 못했다. 이 논문은 ROSMonitoring에 ROS 2 액션의 실행 중 모니터링과 규칙 집행을 추가한다. 모니터링 설정에 액션을 직접 선언하면 ROS 2 통신 엔드포인트를 통해 자동으로 계측한다. 생성된 모니터는 액션 수준 이벤트를 재구성하고, 목표 식별자로 이벤트를 연관 지으며, 활성 목표의 상태를 유지한다. 위반이 발생하면 프로토콜을 따르는 조치를 실행한다. 목표 거부, 취소, 메시지 차단을 지원하며, 기존 통신을 전달할 수 없을 때는 모니터가 프로토콜을 준수하는 응답을 직접 생성한다. 액션 호출 횟수, 작업 부하의 크기, 클라이언트–서버 토폴로지를 바꾼 통제된 부하 테스트로 구현을 평가했다. 작업 부하를 고정하면 액션 호출 반복 횟수에 따라 모니터링 비용이 거의 선형으로 증가했다. 액션 작업 부하가 커지거나 설정된 클라이언트–서버 쌍이 많아지면 추가 비용이 발생했다. 이 결과는 시험한 순차 작업 부하에서 현재 구현의 확장 특성을 보여 주고, 동기식 구현의 주요 성능 한계를 드러낸다.
이진 신경망(BNN)은 자원이 제한된 하드웨어와 자율 시스템의 온디바이스 구성 요소에 적합하다. 그러나 이산적이고 비선형적으로 동작하므로 안전이 중요한 환경에서 분석하고 신뢰하기 어렵다. SAT와 이론을 결합한 만족 가능성 판정(SMT) 기반 접근법은 BNN의 입출력 속성을 검증할 수 있다. 다만 신경망 전체를 하나의 제약 시스템으로 다뤄 속성의 성립 여부만 보여 주며, 어떤 계산 과정을 거쳐 결과가 나왔는지는 보여 주지 않는다. 이를 보완하는 이산 사건 관점을 제시하는 초기 연구를 소개한다. 학습 후 고정한 BNN의 추론 의미를 구성 요소별로 변환해 1-안전 페트리 넷(PN)으로 표현한다. 각 계산 단계는 명시적인 전이이며, 전이의 발화 시퀀스는 BNN 결정의 인과적 실행 기록이다. 구체적 예제에서 참조 구현과 가능한 모든 입출력이 일치함을 확인해 변환의 충실성을 입증했다. 서로 다른 발화 시퀀스를 대조하면 특징 하나의 변화가 예측을 어디에서 바꾸는지 찾을 수 있다. 향후 두 방향을 제시한다. 하나는 변환의 정확성을 보장하는 정리다. 다른 하나는 학습한 BNN 두 개의 결정이 갈라지는 지점을 찾는 인과적 실행 추적 분석으로, 제약 기반 검증기가 표현할 수 없는 구조적 질문을 다룬다.
반사실 설명은 흔히 최근접 세계 의미론 하의 반사실 조건문으로 간주되어, 최소 거리의 모든 반례에 대해 추론해야 한다. 반면 형식적 XAI는 대개 효율적인 계산과 최소 히팅 집합 쌍대성을 허용하는 특징 기반 귀납적 설명(AXp)과 대조 설명(CXp)에 의존한다. 본 논문은 (i) 최근접 세계 반사실 설명을 최소 거리의 모든 반례 사례에 대한 논리합 정규형으로 명시적으로 특성화하고, (ii) 예측 변화를 보장하는 특징 리터럴의 논리곱으로 제한된 반사실 전건의 하위 클래스인 논리곱 반사실 설명(CFXp)을 도입함으로써 이 두 관점을 잇는다. 본 논문은 CXp, AXp, CFXp를 연결하는 구조적 결과를 확립한다. 모든 CXp는 그 증거 사례에 대한 AXp를 유도하며, 모든 CXp와 증거 AXp는 그 AXp에 의해 지지 집합이 정확히 결정되는 CFXp를 유도한다. 이러한 이론적 결과는 기존 AXp/CXp 기법을 사용하여 CFXp를 계산하는 모듈식 접근을 제공한다. 트리 앙상블과 신경망을 사용한 대표적인 벤치마크 집합에 대한 실험은 CFXp 추출이 실용적으로 효율적임을 보여 준다. 널리 쓰이는 점 기반 반사실 설명기와 비교하면, CFXp는 일반적으로 더 많은 특징 변경을 요구하지 않으며 단일 사례를 넘어 반사실 예측을 보장할 수 있다.
Lean 4에서의 LLM 기반 정리 증명은 빠르게 발전해 왔으나, 검색이 인기 있는 기초 보조정리에 치우쳐 올바른 전제가 수십만 개의 후보 속에 묻히기 때문에 증명기가 새로 기여된 보조정리를 활용하기 어렵다. 기존의 신경망 선택기는 의미적 유사도로 후보의 순위를 매기며, 빈도에 치우친 검색, 고립된 쌍별 순위 지정, 그리고 경시대회 문제나 비형식 언어와 같은 분포 외 질의에서의 성능 저하라는 세 가지 본질적 한계를 지닌다. 수학이 유사성이 아니라 의존성에 의해 구조화된다는 점에 착안하여, 우리는 이 신호를 학습 데이터와 모델 모두에 복원한다. 우리는 충분히 활용되지 않은 두 가지 의존성 자원을 구축한다. 먼저 53개의 Lean Blueprint 프로젝트를 최초로 체계적으로 마이닝하였는데, 이는 Mathlib4에 없는 희소한 연구 수준의 전제를 담은, 수작업으로 정리된 비형식+형식 노드 3,805개로 구성된 미개척 코퍼스이다. 또한 이를 포괄적이고 유형화된 다단계 Mathlib4 의존성의 추출과 짝지었다. 이어서 구조적 이웃 인코더, 그룹 수준 대조 목적 함수, 그리고 Mathlib 후 Blueprint 적응 절차를 갖춘 의존성 인식 전제 선택기 DAPS를 제안한다. DAPS는 Mathlib4-Heldout에서 Recall@16 78.74를 달성하여(강력한 선택기 LeanHammer 대비 +11.41) 경시대회 유형 질의에서는 격차가 재현율 7배로 확대된다. 하위 과제에서는 선택된 전제가 miniF2F-test에서 Goedel-Prover-V2-8B의 Pass@4를 49.90에서 54.03으로 높이고, 비형식 IMO-ProofBench에서 범용 LLM 네 종 모두를 향상시킨다(상대적으로 최대 +11.4%). 프로젝트 페이지: https://daps-eth.github.io/.
유전 프로그래밍은 해를 진화시키는 방법으로 고안되었다. 즉 프로그램이 곧 답이며, 적합도는 프로그램 자신의 출력 오차이다. 이와 달리 상당한 규모의 연구들은 프로그램을 별도 학습기의 입력으로 삼아, 적합도가 학습기의 출력을 측정하도록 한다. 어떤 학습기를 결합할지는 중요하며 문제에 따라 달라지지만, 이를 결정하는 요인에 대한 설명은 없다. 유전 프로그래밍에서 목표가 어려운 이유는 프로그램이 기본 요소를 합성하여 얼마나 많은 비선형성을 만들어야 하는가에 있다. 학습기가 제공하는 비선형성만큼은 프로그램이 만들지 않아도 된다. 본 논문은 프로그램이 여전히 만들어야 하는 비선형성의 양이 어떤 학습기를 결합하는가에 의해 결정되며, 이는 프로그램 자체에서 측정 가능함을 보인다. 목표의 비선형성이 곧 푸리에 차수인 불리언 영역에서, 다른 모든 조건을 고정한 채 그 차수를 1에서 6까지 조절한다. 성공한 경우를 조건으로 하면, 선형 학습기는 진화된 프로그램이 목표의 차수와 정확히 일치하도록 강제하며, 이는 설정당 30회 실행에서 차수 1부터 6까지 예외 없이 성립한다. 반면 트리 앙상블은 훨씬 단순한 프로그램으로 네 배 더 자주 성공한다. 목표의 구조가 알려진 경우에는 목표가 어렵다는 평판이 아니라 그 구조에 근거해 학습기를 선택할 수 있다. 우리의 대조 목표는 패리티 문제보다 차수가 낮지만 비선형 학습기로부터 아무 이득도 얻지 못한다. 구조가 알려지지 않은 경우에는 동일한 양들이 진단 지표로 쓰인다. 진화된 프로그램의 차수는 어떤 실행 중에도 추가 비용 없이 계산할 수 있으며, 학습기가 아무 기여도 하지 않는지 아니면 모델을 떠받치고 있는지를 보여준다. 측정된 두 데이터셋에서는 이 절차가 진화를 실행하기 전에 올바른 학습기를 선택한다. 이에 따른 경고가 있다. 63개 조건 중 진화가 학습기가 제공하는 것을 내재화하는 경우는 4개에 불과하며, 44개에서는 오히려 학습기에 더 의존하게 된다. 학습기가 유능할수록 프로그램에 해석 가능한 형태로 남는 모델의 부분은 줄어든다.
지식 그래프는 시간에 따라 변하지만, 행동이 그래프에 미치는 영향은 부분적으로만 명시된다. 온톨로지는 추가적인 결과를 함의하고, 행동이 필요로 하는 사실은 종종 알려져 있지 않으며, 행동은 그래프를 비일관적으로 만들 수 있다. 우리는 이러한 문제를 시간적 동적 지식 그래프(TDKG), 즉 행동이 삭제/삽입 템플릿을 가진 규칙이고 사건이 내재적 시간선 위에 놓이는 SROIQ 지식 베이스에 대해 연구한다. 우리는 세 가지 도구를 제시한다. 계획의 정확한 검사인 시간적 투영(temporal projection), 관찰의 부정을 가정하고 추론기가 새로 도출한 것을 부정함으로써 관찰을 설명하는 DDA(Direct-Derivation Abduction), 그리고 목표로부터 거꾸로 계획하여 계획이 필요로 하지만 아무도 명시하지 않은 사실을 가정하고 DDA가 그 가정을 설명하게 하며 각 설명을 하위 목표로 삼아 깊이 한계까지 진행하는 APT(Abduction and Planning over TDKGs)이다. 이 도구들은 작은 계약을 통해서만 SROIQ 추론기를 사용하므로 특정 추론기나 특정 데이터 구조에 의존하지 않으며, 추가 및 제거된 공리를 점진적으로 처리하는 추론기를 위해 설계되었다. 변화는 양상 연산자 없이, 하나의 선형 시간선 위에서, 가능 세계 없이 다루어지므로 투영의 결정 가능성은 SROIQ의 결정 가능성으로부터 따른다. 우리는 간접 효과가 갱신된 상태의 함의와 정확히 일치하고, DDA와 APT가 건전하며 종료하고, 유계 계획이 2NExpTime-난해이며 3ExpTime에 속함을 증명한다. 이 도구들을 히팅 셋 귀추, 해결기 CATS, 고전적 계획과 비교하고, 여섯 가지 벤치마크와 다섯 가지 추론기에서 실행하여 동일한 결과를 얻었다.
자동 형식화는 확장 가능한 형式 검증에 핵심적이지만, 기존 진전은 대체로 개별 명제에 집중되어 있다. 수백 개의 상호 의존적인 정의, 보조정리, 정리를 일관되게 번역하는 이론 규모 자동 형식화는 일관성, 충실성, 확장성, 정확성의 문제로 인해 여전히 해결되지 않았다. 본 논문에서는 『컴퓨터 과학을 위한 논리학』에 기반한 독립형 이론 규모 벤치마크인 LCS-Bench를 소개한다. LCS-Bench는 개념 그래프, 형식 시그니처 계획, 이슈 추적, 반례 탐색을 동반한 sorry 채우기를 활용하고 인간 전문가의 충실성 검토로 보완하는 새로운 반자동 에이전트 파이프라인을 통해 구축되었다. 그 결과물은 교재 항목 327개, Lean 선언 4,076개 이상, 85K줄이 넘는 Lean 코드를 포괄한다. 이 데이터셋은 자동 형식화와 정리 증명 능력의 서로 다른 측면을 측정하는 다섯 가지 평가 벤치마크 트랙을 자동으로 도출하는 데이터 엔진을 통해 폭넓은 평가를 지원한다. 또한 정의적 동등성 검사기를 갖춘 새로운 평가 프로토콜을 제안하여 더 세밀하고 충실한 평가를 가능하게 한다. 17개 모델에 대한 폭넓은 평가를 통해 (1) LCS-Bench가 고품질이며 일관되고 충실하다는 점, (2) 최첨단 모델이 자동 형식화 과제에서 20.3%만을 달성할 정도로 이 벤치마크가 도전적이라는 점, (3) 분석 결과가 이론 규모 자동 형식화에 관한 핵심적인 발견을 드러내며 향후 연구의 유망한 방향을 시사한다는 점을 보인다.
앨런 뉴얼, J. C. 쇼, 허버트 사이먼이 1955~1956년에 개발한 Logic Theorist(LT)는 최초의 인공지능 프로그램으로 여겨지기도 한다. 처음에는 사람이 손으로 실행을 모의했으며, Logic Language(LL)라는 의사 코드로 작성했다. 이 언어는 나중에 Information Processing Language One(IPL-I)으로 불렸다. LT는 여러 차례 개정됐다. 처음 컴퓨터에서 실행한 버전은 IPL-II로 작성해 JOHNNIAC에서 구동했다. 후기에 개발한 버전은 Einar Stefferud가 1963년에 교육용 문서로 공개했으며 IPL-V로 작성했다. IPL-V는 공식적으로 공개된 유일한 IPL 버전이다. 본 연구는 LT의 IPL-I(LL) 버전과 1963년 IPL-V 버전을 다시 실행 가능하게 복원한 과정을 설명한다. 두 복원 결과를 비교해 초기 AI 알고리즘과 컴퓨터 언어가 발명된 과정을 살펴본다.
본 논문은 계산적 이슬람 법학(피크흐)을 위한 이론적 기초와 포괄적인 형식 체계를 제시한다. 먼저 계산적 피크흐를 기존의 자연어 처리 및 일반적인 신학 형식화와 구별하는 여섯 가지 기초 원리를 확립한다. 이 원리들은 이슬람 법학을 경험적으로 근거가 있는 사실에 작용하는 규범적 연역 과학으로 규정하고, 귀납-연역의 이중 방법론을 필요로 하며, 기존 형식 체계를 차용하지 않고 피크흐를 위해 특별히 설계된 논리적 기반을 요구한다. 이러한 원리에 기초하여 세 계층으로 층화된 계산 언어 $\mathcal{F} = D \circ A \circ G$를 구성하며, 이는 다음으로 이루어진다. (1) 완전히 모음 표기된 고전 아랍어를 언어 독립적인 접지된 행위 구조(GAS)로 변환하는 아랍어 형태·문법 접지 엔진, (2) 이러한 구조를 정준 논리 표현으로 정규화하는 아랍어 具象화 행위 계산(ARAC), (3) 실행 가능한 법적 연역을 위한 함수 없는 혼 절 Datalog 엔진. 나아가 존재론적 메타 맵($\mathcal{M}_{onto}$)을 통해 귀납적으로 추출된 혼 절로부터 피크흐 범주화 속성 문법을 동적으로 생성하는 연결 방법론(알고리즘 $\Omega$)을 도입하여, 법 규칙의 귀납적 추출을 연역적 적용에 매끄럽게 연결한다. 본 논문은 이 체계의 의미론적 정확성, 표현적 완전성, 종료성, 결정 가능성을 엄밀하게 증명한다. 특히 형태통사적 굴절 표지($\delta$ 모드)를 구조적 제약으로 활용하여 제안된 문법의 엄격한 비모호성을 증명하고, 결정적 $O(n)$ 선형 구문 분석 복잡도를 달성한다. 본 연구는 자동화된 이슬람 법학을 위해 수학적으로 검증 가능하고, 인식론적으로 근거가 있으며, 계산적으로 다루기 쉬운 기반을 제공한다.
이산 변수는 확률적 추론, 계획, 설명 가능한 AI 등 많은 응용에서 흔히 나타난다. 이러한 응용에 기호적 추론 기법을 적용할 때, 이산 변수를 다루는 표준적인 방법은 SAT 솔버와 같은 불리언 계산 장치를 사용할 수 있도록 이를 불리언 변수로 이진화하는 것이다. 그러나 이 기법은 계산적, 의미론적 어려움에 직면할 수 있다. 본 연구에서는 변수가 임의의 값을 취할 수 있는 불리언 논리의 직접적 확장인 이산 논리를 위한 네이티브 SAT 솔버를 개발한다. 제안하는 솔버는 불리언 SAT 솔버와 유사한 설계를 가지며 단위 분해와 절 학습 같은 요소를 갖추되, 이들이 이산 변수 위에서 네이티브로 동작한다. 개발한 SAT 솔버의 장점은 이산 CNF에 적용한 CSP 솔버, 이진화된 CNF에 적용한 불리언 SAT 솔버, 그리고 일부 하이브리드 솔버와 경험적으로 비교하여 보인다.
다중 에이전트 AI 시스템이 단순한 챗봇에서 자율 군집으로 발전함에 따라, 의미적 실패를 디버깅하려면 지식, 믿음, 인과성, 의무에 대한 추론이 필요하며, 이는 바로 양상 논리가 형식화하기 위해 고안된 대상이다. 그러나 전통적인 양상 논리는 실제 시스템에서 알려져 있지 않거나 동적인 관계 구조를 수동으로 명세해야 한다. 본 튜토리얼은 양상 논리 신경망(MLNN)으로 구현되는 미분 가능 양상 논리(DML)를 소개하며, 이를 통해 시스템이 행동 데이터로부터 신뢰 네트워크, 시간적 순서, 규제 경계를 학습할 수 있음을 보인다. 인식적(누구를 신뢰할 것인가), 시간적(무엇이 무엇을 뒤따를 수 있는가), 의무적(어떤 행동이 허용되는가), 믿음적(누가 무엇을 믿는가)의 네 가지 양상을 통해 통합된 신경 기호 디버깅 프레임워크를 제시한다. 각 양상은 드론 군집에서 공격자를 찾아내는 것부터 다른 LLM 코드 리뷰어에게 자문할 시점을 결정하는 것까지 구체적인 다중 에이전트 시나리오로 시연되며, 논리적 모순이 학습 가능한 최적화 목표가 되는 방식을 보여 주는 완전한 구현이 함께 제공된다. 신경 기호 커뮤니티를 위한 주요 기여는 다음과 같다. (1) 신뢰와 시간적 순서가 불투명한 임베딩이 아닌 명시적 매개변수인 해석 가능한 학습 구조, (2) 희소한 데이터로 학습을 안내하는 미분 가능 공리를 통한 지식 주입, (3) 인식적 제약과 믿음적 제약을 결합하는 합성적 다중 양상 추론, (4) 다중 에이전트 시스템의 모니터링, 능동 제어, 통신을 위한 실용적 배포 패턴. 모든 코드는 실행 가능한 Python 스크립트로 제공된다.
우리는 시간적 계획의 해결 불가능성을 인증하는 접근법을 제시한다. 이 접근법은 계획 문제를 시간 오토마타 네트워크로 인코딩한 뒤, 해당 네트워크에 효율적인 모델 검사기를 적용하고, 이어서 인증서 검사기로 모델 검사기의 출력을 인증하는 방식에 기반한다. 우리의 접근법은 인증의 신뢰성을 우선시한다. 즉, 증명 보조기 Isabelle/HOL을 사용하여 시간 오토마타로의 인코딩 구현을 형식적으로 검증하고, Isabelle/HOL에서 형식 검증된 기존 인증서 검사기를 사용하여 모델 검사 결과를 인증한다.
이 EPTCS 권은 2026년 11월 17일과 18일에 개최된 제8회 자율 시스템을 위한 형식 기법 국제 워크숍(FMAS 2026)의 논문들을 수록한다. FMAS 2026은 제27회 형식 공학 기법 국제 학술대회(ICFEM)와 함께 개최되었으며, 사우샘프턴의 레오나르도 로열 그랜드 하버 호텔에서 열렸다.