머신러닝 기반 증명 보조와 프루프 제네럴 인터페이스

초록

본 논문은 Coq와 SSReflect 라이브러리에서 추출한 목표 형태, 전술 시퀀스, 증명 트리 구조 등의 통계 정보를 머신러닝으로 분석하는 ML4PG 시스템을 소개한다. MATLAB·Weka의 군집 알고리즘을 자동으로 연동해 유사한 증명을 찾아내고, 인터랙티브 증명 과정에서 사용자에게 힌트를 제공한다.

상세 분석

ML4PG는 Proof General 환경에 플러그인 형태로 삽입되어, 사용자가 현재 진행 중인 증명과 기존 라이브러리의 증명을 실시간으로 비교한다. 데이터 추출 단계에서는 목표(goal)의 타입 구조, 전술(tactic) 적용 순서, 증명 트리의 깊이와 분기 패턴을 정량화하여 벡터 형태로 변환한다. 특히 전술 시퀀스는 n‑gram 기법을 차용해 부분 문자열을 특징으로 삼아, 전술 간의 유사성을 정밀하게 포착한다. 추출된 피처는 차원 축소 없이 그대로 클러스터링 엔진에 전달되며, MATLAB의 k‑means, hierarchical clustering, Gaussian mixture model과 Weka의 DBSCAN, EM 등 다양한 알고리즘을 선택적으로 적용할 수 있다.

알고리즘 선택은 사용자가 지정한 “클러스터 수” 혹은 “밀도 기준”에 따라 자동 조정되며, 결과는 클러스터 라벨과 거리 매트릭스로 반환된다. ML4PG는 이 정보를 Proof General 버퍼에 시각적으로 표시해, 현재 목표와 가장 가까운 클러스터에 속한 기존 증명 사례를 리스트업한다. 사용자는 제시된 사례를 클릭해 해당 증명의 전술 스크립트를 즉시 삽입하거나, 전술 선택에 대한 힌트만을 받아볼 수 있다.

시스템 설계에서 눈에 띄는 점은 MATLAB·Weka와의 인터페이스를 파일 기반 IPC(입출력 파이프)와 소켓 통신을 혼합해 구현한 것이다. 이는 Proof General이 Emacs Lisp로 구현된 점을 고려해, 외부 프로세스와의 비동기 통신을 최소화하면서도 대용량 데이터 처리에 충분한 성능을 확보한다. 또한, 클러스터링 결과를 캐시하고 증명 진행 상황에 따라 점진적으로 업데이트함으로써, 반복적인 연산 비용을 크게 낮춘다.

실험에서는 Coq 표준 라이브러리와 SSReflect의 주요 모듈을 대상으로 1,200여 개의 증명을 분석했으며, k‑means와 DBSCAN이 각각 85 %와 78 %의 정확도로 유사 증명을 올바르게 매칭함을 보였다. 특히 복잡한 대수적 증명에서는 전술 시퀀스 기반 피처가 목표 타입만을 이용한 피처보다 높은 재현율을 보였다. 그러나 피처 차원이 커질수록 군집 품질이 저하되는 경향이 발견돼, 차원 축소 기법(예: PCA)과 피처 선택 전략의 추가 연구가 필요함을 지적한다.

결론적으로 ML4PG는 증명 개발자의 작업 흐름에 자연스럽게 녹아들어, 기존 증명 데이터베이스를 지능형 검색 엔진처럼 활용할 수 있게 만든다. 이는 증명 자동화와 인간‑기계 협업 사이의 간격을 좁히는 중요한 시도이며, 향후 딥러닝 기반 전술 예측 모델과의 통합 가능성을 열어준다.