학습 융합 형식 추론: 계약 자동 생성·아티팩트 재사용·형식 의미론 통합

초록

본 비전 논문은 대형 언어 모델(LLM)과 그래프 기반 의미 표현을 결합한 하이브리드 프레임워크를 제안한다. 계약 자동 생성, 검증 아티팩트 재사용, 그리고 형식 의미론을 학습 기반과 심볼릭 매칭으로 연계함으로써, 사양·계약·증명이 지속적으로 축적·전이되는 지식‑구동 검증 생태계를 목표로 한다.

상세 분석

논문은 세 가지 연구 축을 중심으로 LIFR(Learning‑Infused Formal Reasoning) 비전을 전개한다. 첫 번째 축인 계약 합성은 자연어 요구사항을 LLM이 초기 후보 계약(pre‑, post‑condition, invariant 등)으로 변환하고, 이를 형식 검증 엔진(FRAMA‑C, Z3 등)과 반복적인 피드백 루프를 통해 정교화한다. 여기서 핵심은 “제어된 프롬프트 설계”와 “검증‑구동 재학습”이다. 프롬프트는 도메인 템플릿과 컨텍스트 힌트를 삽입해 LLM의 불확실성을 감소시키고, 검증 도구는 반례, 증명 실패, SAT/UNSAT 결과를 LLM에게 역전파해 후보를 수렴시킨다. 두 번째 축인 아티팩트 재사용은 검증 산출물(계약, 증명 스크립트, 모델 체크 규격 등)을 타입‑라벨이 부착된 속성 그래프로 추상화한다. 그래프 노드는 상태 변수, 논리식, 전이 등을 나타내고, 엣지는 데이터 흐름·논리 함의·정제 관계를 인코딩한다. LLM은 그래프 임베딩과 결합해 의미적 매칭을 수행하고, 구조적 매칭 알고리즘은 형식적 일관성을 보장한다. 이는 기존의 텍스트 기반 검색을 넘어, 부분 동등성·추상화 수준 차이를 포괄하는 의미 매칭을 가능하게 한다. 세 번째 축은 형식 의미론 기반이다. 저자들은 기관 이론(Theory of Institutions)과 프로그램 이론(Unifying Theory of Programming)을 활용해 서로 다른 사양 언어와 검증 도구 간의 의미 전이를 메타‑모델 수준에서 정의한다. 이를 통해 LLM이 생성하거나 재사용한 아티팩트가 형식적으로 올바른지, 그리고 다른 도구 체인에 이식 가능한지를 검증한다. 논문은 또한 기존 연구(Req2Spec, SpecGen, AssertLLM 등)의 메타‑분석과 대규모 실험(100여 개 논문, 다중 SMT 솔버 평가)을 제시해 현재 기술의 한계—프롬프트 불안정성, 솔버 민감도, 툴 체인 통합 부재—를 명시한다. 제안된 VERIFY‑AI 프레임워크는 이러한 한계를 완화하기 위해 (1) 프롬프트 템플릿 라이브러리, (2) 검증‑구동 피드백 루프, (3) 메타데이터 기반 추적·감사 메커니즘을 포함한다. 궁극적으로 LIFR은 계약 합성, 아티팩트 재사용, 의미론적 정합성을 하나의 연속적인 파이프라인으로 결합해, 과거 검증 작업을 미래 보증에 재활용하는 ‘지식‑축적형’ 검증 생태계를 구현하고자 한다.