Recursive Program Synthesis from Sketches and Mixed-Quantifier Properties
Das Papier präsentiert Cataclyst, ein neuartiges Tool zur gegenbeispielgesteuerten enumerativen Synthese, das Sketching, syntaktisches Constraint-Learning und prophylaktisches Pruning nutzt, um erfolgreich rekursive Programme aus Quantoren-gemischten Prädikatenlogik-Eigenschaften zu synthetisieren, wobei es 59 von 60 Benchmarks löst und bestehende Ansätze signifikant übertrifft.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich eine Welt vor, in der Sie genau beschreiben könnten, was ein Computerprogramm tun soll – wie zum Beispiel „diese Funktion muss eine Liste sortieren, ohne dabei Zahlen zu löschen“ – und eine Maschine sofort den perfekten Code für Sie schreibt. Dieser Traum wird Programmsynthese genannt, und sie steht an der Schnittstelle zwischen Informatik und Logik. Um zu verstehen, wie sie funktioniert, stellen Sie sie sich wie ein sehr strenges Spiel von „Mad Libs“ vor. Anstatt nur Lücken mit zufälligen Wörtern zu füllen, wird Ihnen eine unvollständige Geschichte (ein sogenannter Sketch) mit leeren Feldern gegeben, sowie ein Satz von Regeln (sogenannte Eigenschaften), denen die fertige Geschichte gehorchen muss. Die Aufgabe des Computers besteht darin, herauszufinden, welche Wörter in die Lücken passen, damit die Geschichte Sinn ergibt und die Regeln befolgt. Der schwierige Teil ist, dass die Anzahl der Möglichkeiten, diese Lücken zu füllen, unendlich ist, wie der Versuch, ein bestimmtes Sandkorn an einem Strand zu finden, der jedes Mal weiter wächst, wenn man wegsieht. Wenn der Computer versuchen würde, alle Möglichkeiten einzeln nacheinander durchzugehen, würde es ewig dauern. Aus diesem Grund suchen Forscher ständig nach klügeren Wegen, um die Suche zu beschneiden (Pruning), damit der Computer die schlechten Ideen überspringt, noch bevor er sie überhaupt ausprobiert.
Dieses Paper stellt einen neuen, cleveren Weg vor, um dieses Rätsel zu lösen, speziell für Programme, die sich selbst aufrufen (rekursive Programme) und komplexe Regeln enthalten, die „für alle“ und „es existiert“ Aussagen beinhalten. Die Autoren, Derek Egfill und Stavros Tripakis, haben ein Werkzeug namens CATACLYST entwickelt, das wie ein super-schlauer Detektiv agiert. Anstatt blindlings jede mögliche Kombination von Code zu erraten, nutzt CATACLYST eine Strategie namens Counterexample-Guided Synthesis (kontraexemplatgesteuerte Synthese). So läuft es ab: Das Werkzeug wählt ein Kandidatenprogramm aus und prüft, ob es funktioniert. Wenn das Programm fehlschlägt, sagt das Werkzeug nicht einfach nur „falsch“ und macht weiter; es fragt: „Warum ist das fehlgeschlagen?“ und lernt daraus eine Lektion aus diesem Fehler. Es erstellt eine Regel, die besagt: „Mache diesen spezifischen Fehler nie wieder“, wodurch es effektiv riesige Zweige des Suchbaums abschneidet, sodass der Computer dort keine Zeit mehr verschwendet.
Das Paper präsentiert zwei Haupttricks, um diesen Lernprozess hocheffizient zu gestalten. Der erste ist die Counterexample Generalization (Kontraexemplat-Generalisierung). Stellen Sie sich vor, Sie versuchen, einen Turm aus Bauklötzen zu bauen, aber er stürzt ein, weil Sie einen schweren Block auf einen wackeligen gestellt haben. Ein einfacher Lerner würde vielleicht nur sagen: „Benutze diesen schweren Block nicht dort.“ Ein smarter Lerner sagt jedoch: „Benutze keinen schweren Block auf irgendeinem wackeligen Platz in diesem spezifischen Muster.“ Das Werkzeug macht dies, indem es analysiert, warum ein Programm fehlgeschlagen ist (wie etwa bei einer Vertragsverletzung, bei der eine Funktion mit schlechten Eingaben aufgerufen wurde, oder einer Eigenschaftsverletzung, bei der die Ausgabe falsch war) und eine breite Regel generiert, um ähnliche Fehler zu verhindern. Der zweite Trick ist das Prophylactic Pruning (prophylaktisches Beschneiden). Dies ist vergleichbar mit dem Checken Ihres Outfits, bevor Sie das Haus verlassen. Anstatt das ganze Outfit anzuziehen, das Haus zu verlassen und dann festzustellen, dass Sie mismatched Socken tragen, prüfen Sie die Socken, während Sie sich noch anziehen. Das Werkzeug prüft die Regeln, während es die Lücken im Sketch füllt, und stoppt sofort, wenn eine Teil-Lösung bereits zum Scheitern verurteilt ist, anstatt zu warten, bis das gesamte Programm gebaut wurde, um es abzulehnen.
Die Ergebnisse dieses Ansatzes sind recht beeindruckend. Die Autoren haben CATACLYST an einer Suite von 60 Benchmarks (einer Reihe von Testproblemen) getestet. Mit beiden Funktionen – der Generalisierung und dem prophylaktischen Beschneiden – gelöst das Werkzeug 59 von 60 Benchmarks, wobei jedes Problem nicht mehr als 2 Minuten dauerte. Als sie den Generalisierungs-Trick ausschalteten, löste das Tool weniger Probleme, und als sie das prophylaktische Beschneiden ausschalteten, löste es sogar noch weniger. Dies deutet darauf an, dass beide Techniken entscheidend für den Erfolg des Werkzeugs sind. Das Paper merkt zudem an, dass ein anderes Werkzeug existiert, das ähnliche komplexe Regeln handhaben kann, aber die hier verwendete „Sketching“-Methode nicht unterstützt, weslich ein direkter Vergleichswettlauf nicht möglich war; dennoch übertraf das neue Werkzeug das andere Tool bei den Benchmarks, die es ausführen konnte. Letztendlich zeigt das Paper, dass wir, indem wir aus Fehlern lernen und Fehler frühzeitig erkennen, Computer dazu bringen können, komplexe, selbstkorrigierende Codes viel schneller als bisher zu schreiben.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.