Cet article de recherche tente un encodage commun en Lean 4 pour le théorème de Lob, la programmation réflexive et la théorie de la décision acausale. C'est un document de découverte d'encodage squelettique examinant une observation META-DB, et non une preuve d'un nouveau théorème ou une résolution des problèmes sources.
Cette recherche introduit un nouveau cadre d'apprentissage pour raffiner, visant à réduire le coût de calcul prohibitif des Grands Modèles de Langage (LLM) dans la preuve formelle de théorèmes. En exploitant les sorties des compilateurs qui compressent diverses tentatives de preuve en modes d'échec structurés, la méthode permet une exploration efficace des preuves et une correction locale des erreurs, amplifiant significativement les capacités de raisonnement des prouveurs de base.
Cet article propose un cadre formellement vérifié pour l'analyse de brevets, utilisant un pipeline hybride IA et Lean 4. C'est la première application connue de la preuve de théorèmes interactive à l'analyse de la propriété intellectuelle, résolvant les lacunes des méthodes actuelles.
DreamProver est un cadre agentique qui utilise un paradigme d'induction de programme "wake-sleep" pour découvrir des lemmes réutilisables pour la preuve formelle de théorèmes. Il fait évoluer itérativement une bibliothèque de lemmes compacte et transférable, améliorant considérablement les performances sur des théorèmes inédits.