🤖 AI

Symbolic Informalization: Fluent, Productive, Multilingual

Dieses Paper stellt das Projekt Informath vor, welches ein symbolisches Informalisierung-Framework nutzt, das auf einem Dedukti-Hub und dem Grammatical Framework basiert, um formale Beweise aus Systemen wie Agda, Lean und Rocq zuverlässig in flüssige, präzise und mehrsprachige natürliche Sprache zu konvertieren.

Ursprüngliche Autoren: Aarne Ranta

Veröffentlicht 2026-06-16

📖 7 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Aarne Ranta

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

Die große Idee: Der „Übersetzer“ für Mathe-Roboter

Stellen Sie sich vor, Sie haben einen brillanten, superschnellen Roboter-Mathematiker. Dieser Roboter spricht eine sehr strenge, präzise Sprache namens formale Logik (wie Agda, Lean oder Rocq). Er kann Theoreme mit 100 % Genauigkeit beweisen, aber sein Output sieht aus wie eine Wand aus Code: forall (a : Int), odd a -> even (a + 1).

Für einen Menschen ist das unlesbar. Es ist, als würde man versuchen, ein Buch zu lesen, in dem jedes Wort ein Geheimcode ist.

Informalisierung ist der Prozess, diesen strengen Roboter-Code zurück in natürliche Sprache (Englisch, Französisch, Deutsch usw.) zu übersetzen, damit Menschen ihn tatsächlich lesen und verstehen können.

Die Arbeit argumentiert, dass wir zwar sehr gut darin geworden sind, Roboterem beizubringen, Mathematik aus menschlichen Büchern zu lernen (mithilfe von KI), wir es aber nicht geschafft haben, sie wirklich gut darin zu lehren, ihre Arbeit wieder so an uns zu erklären, dass es klingt, als hätte ein Mensch es geschrieben. Diese Arbeit stellt ein System namens Informath vor, um das zu beheben.

Die drei Ziele: Das „flüssige, produktive, mehrsprachige“ Trio

Der Autor sagt, ein gutes Übersetzungssystem benötigt drei Dinge, die er als die „Heilige Dreifaltigkeit“ dieses Projekts bezeichnet:

Flüssig (Klingt natürlich):
- Das Problem: Alte Übersetzer waren wie schlechte Roboter, die sagten: „Die Menge der Ganzzahlen ist eine Menge.“ Sie waren steif und roboterhaft.
- Das Ziel: Das neue System sollte wie ein Mathe-Lehrbuch klingen. Es sollte wissen, wann es „Sei $x$ ...“ statt „Nimm an, $x$ ist...“ sagen soll, und es sollte wissen, wie man Sätze geschmeidig kombiniert (z. B. „ $x$ und $y$ sind gerade“ statt „ $x$ ist gerade und $y$ ist gerade“).
- Analogie: Denken Sie an den Unterschied zwischen einem GPS, das sagt: „Biegen Sie links ab. Fahren Sie dann 500 Meter. Dann biegen Sie rechts ab“ und einem Menschen, der eine Wegbeschreibung gibt: „Gehen Sie nach links, eine Straße weiter, dann biegen Sie rechts ab.“ Beides bringt Sie ans Ziel, aber eines ist viel leichter zu folgen.
Produktiv (Einfach aufzubauen):
- Das Problem: Den Bau dieser Übersetzer früher mit dem Aufbau gleichzusetzen, war, als würde man jedes einzelne Wort eines Wörterbuchs mühsam von Hand schnitzen. Es dauerte ewig und erforderte die Zusammenarbeit eines Linguisten und eines Informatikers.
- Das Ziel: Es soll so gestaltet sein, dass ein Mathematiker einfach nur ein paar Notizen zu seinem Code hinzufügen kann und das System den Rest erledigt.
- Analogie: Anstatt ein Haus Stein für Stein von Grund auf neu zu bauen, verwendet man ein „Lego-Set“ (genannt Resource Grammar Library). Man steckt die Teile einfach zusammen, und das System übernimmt das komplekische Engineering (wie die Grammatikregeln) für einen.
Mehrsprachig (Spricht viele Sprachen):
- Das Problem: Normalerweise baut man, wenn man einen Übersetzer für Englisch will, einen. Will man Französisch, baut man einen völlig anderen.
- Das Ziel: Einen „einzelnen Gehirn“-Ansatz bauen, der jede Sprache sprechen kann.
- Analogie: Stellen Sie sich einen universellen Steckadapter vor. Sie stecken den Mathe-Code in die Mitte, und er kann in Englisch, Französisch, Deutsch oder Schwedisch ausgeben, indem man einfach nur den „Stecker-Kopf“ austauscht. Man muss nicht für jedes Land die ganze Maschine neu bauen.

Wie es funktioniert: Das „Hub-and-Spoke“-System (Nabe und Speiche)

Die Arbeit beschreibt eine clevere Architektur, um diese Ziele zu erreichen. Stellen Sie es sich wie einen belebten Flughafen-Hub vor.

Der Hub (Dedukti):
- Dies ist der zentrale Flughafen. Alle verschiedenen „Fluggesellschaften“ (Agda, Lean, Rocq) lassen ihre Flugzeuge (Mathe-Beweise) hier landen.
- Dedukti ist eine einfache, universelle Sprache, die als gemeinsamer Boden dient. Sie entfernt die spezifischen Eigenheiten jeder einzelnen „Fluggesellschaft“ und konvertiert alles in ein Standardformat.
Die Übersetzung (Grammatical Framework – GF):
- Sobald die Mathematik am Hub angekommen ist, muss sie in menschliche Sprache verwandelt werden. Hier kommt GF ins Spiel.
- GF ist wie eine Profi-Chefs Küche. Es hat ein „Rezeptbuch“ (die Grammatik), das weiß, wie man die mathematischen Zutaten zu einem köstlichen Satz in jeder beliebigen Sprache zubereitet.
- Es kümmert sich um die kniffligen Teile: sicherzustellen, dass Verben mit dem Subjekt übereinstimmen, „ist“ zu „sind“ zu ändern (Numerus) und den Geschlechtergebrauch in Sprachen wie Französisch oder Deutsch zu handhaben.
Das Menü (Symboltabellen):
- Dies ist die Geheimzutat. Der Mathematiker muss nicht das ganze Rezeptbuch umschreiben. Er füllt einfach eine „Menükarte“ (Symboltabelle) aus, die besagt:
  - „Wenn du den Code plus siehst, sage ‚Summe‘.“
  - „Wenn du odd siehst, sage ‚ungerade‘.“
- Dies ermöglicht es, das System leicht anzupassen, ohne die komplexe Grammatik darunter zu beschädigen.

Die „Magie“, es menschlich klingen zu lassen

Die Arbeit hebt hervor, dass es schwieriger ist, als es aussieht, Mathematik natürlich klingen zu lassen. Hier sind die Tricks, die Informath verwendet:

Aggregation (Der „Und“-Trick):
- Roboter: „ $x$ ist gerade. $x$ ist durch 3 teilbar.“
- Mensch: „ $x$ ist gerade und durch 3 teilbar.“
- Das System weiß, wie es diese Sätze zusammenzuführen ist, damit sie besser fließen.
In-Situ-Quantifizierung (Die „versteckte“ Variable):
- Roboter: „Für alle Zahlen $n$ , $n$ ist entweder gerade oder ungerade.“
- Mensch: „Jede natürliche Zahl ist entweder gerade oder ungerade.“
- Das System erkennt, dass man das Wort „Zahl“ nicht jedes Mal wiederholen muss. Es versteckt die Variable dort, wo es offensichtlich ist, genau wie ein Mensch es tun würde.
Symbolisch vs. Verbal:
- Manchmal ist Mathematik am besten mit Symbolen zu schreiben (wie $x + y = z$ ), und manchmal mit Worten („die Summe von $x$ und $y$ “). Das System weiß, wann es welches Format verwenden soll. Es kann sogar automatisch LaTeX-Code (den Standard für die mathematische Typografie) generieren.

Was die Arbeit tatsächlich behauptet (und was nicht)

Was sie BEHAUPT:

Sie hat erfolgreich ein System (Informath) gebaut, das formale mathematische Beweise nehmen und sie in flüssigen, natürlich klingenden Text in mehreren Sprachen umwandeln kann.
Sie hat bewiesen, dass man dieses System „produktiv“ (einfach zu nutzen) machen kann, indem man vorgefertigte Grammatikbibliotheken und einfache Symboltabellen verwendet.
Sie hat gezeigt, dass dies für die Mathematik des Bachelorstudiums (Arithmetik, Algebra, Topologie) funktioniert und sogar für einige fortgeschrittene Themen (Homotopietheorie), wobei die fortgeschrittenen Themen schwieriger sind.
Sie hat demonstriert, dass dieses System dazu verwendet werden kann, Daten zu generieren, um KI-Modellen (LLMs) dabei zu helfen, Mathematik besser zu beherrschen.

Was sie NICHT behauptet (basierend rein auf dem Text):

Sie behauptet nicht, dass das System bereits perfekt für alle Bereiche der Mathematik ist. Der Autor gibt zu, dass die Abdeckung der „gesamten gewöhnlichen Sprache der Mathematik“ ein riesiges, fortlaufendes Ziel ist.
Sie behauptet nicht, dass das System derzeit jedes Beweissystem perfekt handhaben kann. Systeme wie Isabelle oder Mizar werden als zukünftige Herausforderungen erwähnt, da sie anders funktionieren als die derzeit unterstützten.
Sie behauptet nicht, dass dieses System menschliche Mathematiker ersetzt. Es ist ein Werkzeug, das Menschen hilft, das zu lesen, was der Computer getan hat.

Das Fazment: Das Fazit

Die Arbeit kommt zu dem Schluss, dass Informalisierung nicht einfach ist. Es ist nicht einfach nur das Umkehrverfahren der Formalisierung. Während die Formalisierung (Mensch zu Roboter) automatisch auf Fehler geprüft werden kann, ist die Informalisierung (Roboter zu Mensch) knifflig, weil „natürlich klingen“ subjektiv und komplex ist.

Durch die Verwendung eines „Hub“-Systems (Dedukti) und einer „universellen Grammatik“ (GF) zeigt der Autor jedoch, dass wir einen Übersetzer bauen können, der zuverlässig ist (er halluziniert keine Fakten), flexibel ist (er spricht viele Sprachen) und effizient ist (er erfordert kein Team von Linguisten für den Aufbau). Er verwandelt den kalten Code des Roboters zurück in eine warme, lesbare Geschichte.

Technisches Resümee: Symbolische Informalisierung

Problemstellung

Das Paper adressiert die Herausforderung der symbolischen Informalisierung: die zuverlässige Umwandlung formaler Mathematik (maschinengeprüfte Beweise und Theoreme) in flüssige Natürliche Sprache ohne Verlust an Präzision. Während neuronale Methoden (Large Language Models) die Autoformalisierung (von natürlicher Sprache zu formaler Sprache) vorangebracht haben, leiden sie unter „Halluzinationen“ und können nicht garantieren, dass das formalisierte Theorem mit dem Originaltext übereinstimmt. Umgekehrt ist der umgekehrte Prozess – die Informalisierung – oft schwer symbolisch zu automatisieren, obwohl formalisierte Resultate automatisch verifiziert werden können.

Frühere Versuche der symbolischen Informalisierung wurden aus drei Gründen kritisiert, die dieses Paper als Kernanforderungen für ein erfolgreiches System identifiziert:

Fluenz (Flüssigkeit): Die Ausgaben mangeln oft an der Diversität und Flexibilität natürlicher Sprache und wirken starr.
Produktivität: Die Systeme sind schwierig zu entwerfen und zu implementieren.
Multilingualität: Ansätze scheitern oft an der Skalierbarkeit über verschiedene formale oder natürliche Sprachen hinweg.

Das Paper argumentiert, dass Informalisierung nicht bloß eine „einfache“ Übersetzung ist, sondern ein komplexes Forschungsproblem, das ein Gleichgewicht zwischen semantischer Korrektheit (Bewahrung der Bedeutung) und linguistischer Vollständigkeit (Abdeckung des gesamten Spektrums mathematischer Ausdrucksweisen) erfordert.

Methodik: Das Informath-System

Das Paper stellt Informath vor, ein System, das auf einer interlingualen Architektur basiert, um die drei Ziele Fluenz, Produktivität und Multilingualität zu adressieren.

1. Architektur

Informath nutzt einen zweistufigen Interlingua-Ansatz:

Formale Interlingua (Dedukti): Dient als Hub zwischen verschiedenen Beweissystemen (Agda, Lean, Rocq). Dedukti ist ein minimalistisches logisches Framework mit abhängigen Typen und Rewrite-Regeln. Es fungiert als Quelle der Wahrheit für den formalen Inhalt.
Linguistische Interlingua (Grammatical Framework - GF): Handhabt die Seite der natürlichen Sprache. GF ist ein Grammatik-Formalismus, der auf einem logischen Framework ähnlich wie Dedukti basiert und für die mehrsprachige Übersetzung konzipiert wurde.

Der Workflow lautet: Beweissystem $\to$ Dedukti $\to$ GF Abstrakte Syntax $\to$ Natürliche Sprache.

2. Multilingualität

Multilingualität wird dadurch erreicht, dass die Dedukti-abstrakte Syntax auf die GF-abstrakte Syntax abgebildet wird, welche wiederum in konkrete natürliche Sprachen linearisiert wird.

Gemeinsame abstrakte Syntax: Die Kernkonzepte der Mathematik werden in einem sprachunabhängigen abstrakten Syntaxbaum (AST) innerhalb von GF definiert.
Resource Grammar Library (RGL): Informath nutzt die GF RGL, die vordefinierte linguistische Strukturen (Flexion, Kongruenz, syntaktische Regeln) für etwa 40 Sprachen bereitstellt. Dies ermöglicht es, dieselbe abstrakte Syntax korrekt in Englisch, Französisch, Deutsch, Schwedisch usw. zu rendern, wobei grammatikalische Variationen (z. B. Genus, Kasus, Numerus) automatisch gehandhabt werden.

3. Produktivität

Um die Schwierigkeit der Implementierung zu adressieren, verwendet Informath einen Deployment-Stack, der die Komplexität von GF und Haskell-Code für Endnutzer abstrahiert:

Symboltabellen (.dkgf): Die höchste und zugänglichste Ebene. Nutzer definieren lexikalische Annotationen, die Dedukti-Konstanten auf GF-Funktionen oder String-Templates abbilden. Dies erlaubt es Nicht-Linguisten, das System ohne das Schreiben von Grammatikregeln um neue mathematische Konzepte zu erweitern.
Smart Paradigmen: Die RGL generiert Flexionstabellen aus basischen Wortformen, was den Bedarf an manuellen Lexik-Einträgen reduziert.
Modularer Code: Das System trennt den stabilen Kern (MathCore, der die semantische Korrektheit handhabt) von den erweiterbaren Erweiterungen (MathExtensions, die die linguistische Vollständigkeit handhabt).

4. Fluenz und Natural Language Generation (NLG)

Um Fluenz zu erreichen, geht Informath über einfache Controlled Natural Languages (CNLs) hinaus, indem es eine mehrstufige NLG-Pipeline implementiert:

Content Determination & Text Planning: Entscheidung darüber, was gesagt wird und in welcher Reihenfolge.
Aggregation: Zusammenführung atomarer Fakten (z. B. die Umwandlung von „x ist gerade und x ist prim“ zu „x ist gerade und prim“).
Lexical Choice: Auswahl geeigneter Wörter via Symboltabellen.
Surface Realization: Generierung des finalen Strings mittels GF-Linearisierung.
Ranking: Das System generiert tausende Varianten eines einzelnen formalen Statements. Diese werden mittels einer Penalty-Funktion basierend auf Baumgröße, Tiefe, Token-Anzahl und stilistischen Regeln (z. B. Vermeidung von Sätzen, die mit Symbolen beginnen) gerankt. Dies stellt sicher, dass die Ausgabe kompakt und natürlich klingend ist.

Die Grammatik ist unterteilt in MathCore (ein minimales CNL, das alle Dedukti-Konstrukte abdeckt) und MathExtensions (die die volle Sprache der Mathematik annähernd abbildet). Das System unterstützt komplexe Merkmale wie:

Variablenbindende Konstanten: Handhabung von Quantoren und Integralen via Higher-Order Abstract Syntax (HOAS).
In situ Quantifizierung: Platzierung von Quantoren innerhalb von Prädikaten (z. B. „jede natürliche Zahl ist gerade“).
Symbolische Notation: Generierung von LaTeX-Makros für symbolische Teile, während die verbalen Teile natürlich bleiben.

Zentrale Beiträge

Das Informath-System: Eine funktionierende Implementierung, die zeigt, dass symbolische Informalisierung fluent, produktiv und multilingual sein kann.
Interlinguale Architektur: Ein neuartiger Einsatz von Dedukti und GF als duale Interlinguas, um formale Logik von linguistischer Variation zu entkoppeln.
Low-Code-Erweiterung: Ein Symboltabellen-basierter Mechanismus, der es Nutzern ermöglicht, das System um neue mathematische Domänen zu erweitern, ohne den Kern der Grammatik oder den Compiler-Code zu modifizieren.
Umgang mit Ambiguität: Eine Strategie zur Bewältigung der inhärenten Mehrdeutigkeit natürlicher Sprache (z. B. Reichweite von Quantoren, Konjunktionen), indem mehrere Varianten generiert und durch Typisierung oder Ranking aufgelöst werden, statt starre, unzweideutige Regeln zu erzwingen, die die Fluenz opfern würden.

Ergebnisse

Das Paper berichtet über den aktuellen Stand von Informath:

Abdeckung: Das System deckt die Mathematik des Bachelorstudiums ab (Arithmetik, Mengenlehre, Algebra, Topologie) und wurde im Rahmen des „100 Theorems“-Projekts getestet.
Multilinguale Ausgabe: Es generiert erfolgreich flüssigen Text in Englisch, Französisch, Deutsch und Schwedisch aus derselben Dedukti-Quelle.
Fallstudien:
- Homotopietheorie: Eine Fallstudie zum HoTT-Buch zeigte Herausforderungen mit Drittanbieter-Translatoren (Agda zu Dedukti) auf, die die Code-Komplexität aufgrund von Universums-Levels explodieren lassen. Sob[er] einmal konvertiert, konnte Informath die Informalisierung erfolgreich handhaben, einschließlich komplexer „Propositions as Types“-Szenarien.
- Synthetische Daten: Informath wurde genutzt, um synthetische Daten zu generieren, um ein LLM (Qwen2.5-7B-Instruct) feinabzustimmen, was zu einer verbesserten Autoformalisierungs-Performance im Vergleich zum Baseline-Modell führte.
Limitierungen: Das System ist noch nicht linguistisch vollständig (es deckt nicht alle gewöhnlichen mathematischen Sprachen ab) und die Informalisierung von Beweisen bleibt ein laufendes Projekt, insbesondere hinsichtlich der Ordnung und des Weglassens von Beweisschritten.

Bedeutung und Ansprüche

Das Paper behauptet, dass symbolische Informalisierung eine notwendige Ergänzung zur neuralen Autoformalisierung ist. Während LLMs formalen Code generieren können, können sie die Korrektheit nicht garantieren; die symbolische Informalisierung bietet eine zuverlässige, erklärbare Brücke, die es menschlichen Nutzern ermöglicht, mit formalen Systemen in natürlicher Sprache zu interagieren, ohne den zugrunde liegenden Code sehen zu müssen.

Die Autoren schließen bescheiden, dass Informath zwar ein Niveau an Fluenz erreicht, das über einfache CNLs hinausgeht, die vollständige Abdeckung der gewöhnlichen Sprache der Mathematik jedoch ein fernes Ziel bleibt. Die primären offenen Herausforderungen sind das Ranking der wachsenden Zahl generierter Varianten und die Informalisierung von Beweisen. Das Paper betont, dass im Gegensatz zur Formalisierung, die automatisch verifiziert werden kann, die Informalisierung eine inhärente Zuverlässigkeit und Expertenwissen erfordert, was die Entwicklung solcher Werkzeuge zu einem bedeutenden, aber notwendigen Unterfangen für die Zukunft der menschenlesbaren, maschinengeprüften Mathematik macht.