🤖 AI

Goedel-Code-Prover: Hierarchical Proof Search for Open State-of-the-Art Code Verification

यह शोध पत्र Goedel-Code-Prover को प्रस्तुत करता है, जो Lean 4 के लिए एक पदानुक्रमित (hierarchical) प्रूफ़ सर्च फ्रेमवर्क है, जो कोड सत्यापन बेंचमार्क पर 62.0% सफलता दर प्राप्त करने के लिए हाइब्रिड सुदृढीकरण शिक्षण (reinforcement learning) और एक सिद्धांत-आधारित अपघटन स्कोर (decomposition score) के साथ प्रशिक्षित एक एकीकृत 8B-पैरामीटर मॉडल का उपयोग करता है, जो कुशल, स्केलेबल प्रूफ़ प्लानिंग के माध्यम से बड़े बेसलाइन्स से काफी बेहतर प्रदर्शन करता है।

मूल लेखक: Zenan Li (Mike), Ziran Yang (Mike), Deyuan (Mike), He, Haoyu Zhao, Andrew Zhao, Shange Tang, Kaiyu Yang, Aarti Gupta, Zhendong Su, Chi Jin

प्रकाशित 2026-03-23

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Zenan Li (Mike), Ziran Yang (Mike), Deyuan (Mike), He, Haoyu Zhao, Andrew Zhao, Shange Tang, Kaiyu Yang, Aarti Gupta, Zhendong Su, Chi Jin

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक बहुत ही बुद्धिमान, लेकिन थोड़े अराजक (chaotic) रोबोट को एक आदर्श, बग-मुक्त कंप्यूटर प्रोग्राम लिखना सिखाने की कोशिश कर रहे हैं। आप रोबोट से कहते हैं, "एक ऐसा फंक्शन बनाओ जो एक लिस्ट में उस एक अनोखे नंबर को ढूँढ सके जहाँ बाकी सब कुछ दो बार आता है।"

रोबोट कोड लिखने की कोशिश करता है। यह अच्छा दिखता है! लेकिन आप कैसे जानेंगे कि यह गणितीय रूप से एकदम सही है? आप इसे सिर्फ एक मिलियन बार चलाकर नहीं देख सकते; हो सकता है कि आपने कोई अजीब 'एज केस' (edge case) छोड़ दिया हो। आपको एक गणितीय प्रमाण (mathematical proof) की आवश्यकता है कि यह काम ज़रूर करेगा, चाहे कुछ भी हो।

यहीं पर Goedel-Code-Prover काम आता है। यह एक नया AI सिस्टम है जिसे ये गणितीय प्रमाण लिखने के लिए डिज़ाइन किया गया है। लेकिन पेच यह है कि ये प्रमाण लिखना बहुत कठिन है, यहाँ तक कि AI के लिए भी।

यहाँ इस पेपर द्वारा इस समस्या को हल करने की कहानी सरल भाषा में दी गई है।

समस्या: "ब्लैक बॉक्स" बनाम "ब्लूप्रिंट"

अतीत में, कोड के सही होने का प्रमाण देने वाले AI मॉडल एक आँखों पर पट्टी बँधे हुए तीरंदाज़ की तरह थे। वे एक तीर (प्रमाण) छोड़ते थे और उम्मीद करते थे कि वह सीधे निशाने पर लगेगा।

समस्या: यदि वे चूक जाते, तो उन्हें पता नहीं चलता था कि क्यों। क्या तीर बहुत भारी था? क्या उन्होंने गलत निशाना लगाया था? क्या हवा चल रही थी?
मैथ बनाम कोड का अंतर: AI गणितीय प्रमाणों में माहिर है क्योंकि उसने लाखों गणित की किताबें पढ़ी हैं। वह गणित की "शब्दावली" जानता है। लेकिन कोड अलग है। हर नया प्रोग्राम अपने नियमों के साथ एक नई एलियन भाषा जैसा है। AI के पास इस बात की लाइब्रेरी नहीं है कि "इस विशिष्ट फंक्शन को कैसे सिद्ध किया जाए" क्योंकि किसी ने भी इनके प्रमाण हाथ से नहीं लिखे हैं।

समाधान: "मास्टर आर्किटेक्ट" और "कंस्ट्रक्शन क्रू"

लेखकों ने महसूस किया कि एक पूरे जटिल प्रोग्राम को एक बड़ी छलांग में सिद्ध करने की कोशिश करना असंभव है। इसके बजाय, उन्होंने एक पदानुक्रमित प्रमाण खोज (Hierarchical Proof Search) बनाई। इसे एक गगनचुंबी इमारत बनाने की तरह समझें।

आप कंस्ट्रक्शन क्रू को सिर्फ यह नहीं कहते, "एक गगनचुंबी इमारत बनाओ।" आप इसे तोड़ते हैं:

नींव बिछाएं।
पहली मंजिल बनाएं।
दूसरी मंजिल बनाएं।

Goedel-Code-Prover बिल्कुल यही करता है, लेकिन तर्क (logic) के साथ। यह दो चरणों वाली प्रक्रिया का उपयोग करता है:

चरण 1: मास्टर आर्किटेक्ट (विघटन/Decomposition)

कुछ भी सिद्ध करने की कोशिश करने से पहले, AI एक आर्किटेक्ट की तरह कार्य करता है। वह विशाल, डरावनी समस्या को देखता है और कहता है, "ठीक है, इस पूरी चीज़ को सिद्ध करने के लिए, हमें वास्तव में तीन छोटी, आसान चीज़ों को सिद्ध करने की आवश्यकता है।"

जादुई स्कोर: AI कैसे जानता है कि कौन सी छोटी चीज़ें अच्छी हैं? यह एक विशेष "स्कोरकार्ड" का उपयोग करता है।
- क्या यह सत्य है? (क्या वह छोटी चीज़ वास्तव में बड़ी चीज़ को सिद्ध करने में मदद करती है?)
- क्या यह सरल है? (क्या यह छोटी चीज़ मूल चीज़ की तुलना में वास्तव में आसान है?)
यदि AI एक बुरा उप-समस्या (sub-problem) चुनता है (जो मूल समस्या जितनी ही कठिन है), तो स्कोरकार्ड उसे कम ग्रेड देता है, और AI फिर से प्रयास करता है।

चरण 2: कंस्ट्रक्शन क्रू (पूर्णता/Completion)

एक बार जब आर्किटेक्ट ने बड़ी समस्या को छोटे, प्रबंधनीय ईंटों में तोड़ दिया, तो "कंस्ट्रक्शन क्रू" (वही AI, लेकिन अब एक कार्यकर्ता के रूप में) प्रत्येक ईंट को सिद्ध करने की कोशिश करता है।

वह पहली छोटी ईंट को सिद्ध करने की कोशिश करता है। यदि वह विफल होता है, तो कंप्यूटर उसे एक विशिष्ट त्रुटि संदेश देता है: "आपने पेंच पर हथौड़ा चलाने की कोशिश की।"
AI उस त्रुटि को पढ़ता है, अपने दृष्टिकोण को ठीक करता है, और फिर से प्रयास करता है।

गुप्त नुस्खा: "स्कोरकार्ड के साथ प्रशिक्षण"

सबसे बड़ी सफलता यह है कि उन्होंने AI को कैसे प्रशिक्षित किया।

आमतौर पर, आप AI को अंत में "सही" या "गलत" कहकर प्रशिक्षित करते हैं। लेकिन प्रमाण खोज में, आप 90% तक पहुँच सकते हैं, और फिर विफल हो सकते हैं। AI को उस 90% के लिए कोई श्रेय नहीं मिलता।

लेखकों ने एक निरंतर स्कोरकार्ड (Continuous Scorecard) का आविष्कार किया।

कल्पना कीजिए कि आप एक वीडियो गेम खेल रहे हैं। केवल अंतिम बॉस को हराने पर ही अंक मिलने के बजाय, आपको हर बार अंक मिलते हैं जब आप एक बेहतर रास्ता खोजते हैं या एक मिनी-पहेली हल करते हैं।
यह स्कोरकार्ड AI को बताता है: "हे, जो उप-समस्या आपने चुनी थी वह मूल से 50% आसान थी। अच्छा काम! इसी दिशा में आगे बढ़ते रहें।"
यह AI को न केवल निष्पादित करने (सिद्ध करने) के लिए, बल्कि योजना बनाने (विघटन करने) के लिए भी सक्षम बनाता है।

परिणाम: छोटा दिमाग, बड़ी जीत

टीम ने Goedel-Code-Prover-8B नामक एक मॉडल को प्रशिक्षित किया।

आकार: इसमें 8 बिलियन "न्यूरॉन्स" (पैरामीटर्स) हैं।
तुलना: उन्होंने इसकी तुलना 671 बिलियन न्यूरॉन्स वाले विशाल मॉडलों (जैसे DeepSeek-Prover) और GPT-5 जैसे बड़े मॉडलों से की।
परिणाम: छोटा 8B मॉडल विशाल मॉडलों को हरा देता है। इसने सबसे कठिन कोड सत्यापन समस्याओं में से 62% को हल किया, जबकि सबसे बड़े मॉडलों ने केवल लगभग 23% को हल किया।

क्यों? क्योंकि विशाल मॉडल सीधे फिनिश लाइन की ओर कूदने की कोशिश कर रहे थे (वह "आँखों पर पट्टी बँधा हुआ तीरंदाज़")। छोटे मॉडल को समस्या को चरणों में तोड़ने (आर्किटेक्ट) के लिए सिखाया गया था।

निष्कर्ष

यह पेपर दिखाता है कि कोड सत्यापन जैसे जटिल कार्यों के लिए, कच्ची शक्ति (raw power) से अधिक महत्वपूर्ण योजना बनाना (planning) है।

AI को एक वर्कर (सब कुछ एक साथ करने की कोशिश करने वाला) के बजाय एक प्रोजेक्ट मैनेजर (बड़ी समस्याओं को छोटी, समाधान योग्य टुकड़ों में तोड़ने वाला) की तरह कार्य करने के लिए सिखाकर, हम छोटे, सस्ते और बहुत अधिक स्मार्ट सिस्टम बना सकते हैं जो यह सिद्ध कर सकते हैं कि कोड सुरक्षित और सही है। यह एक पूरे हाथी को एक बार में खाने की कोशिश करने और उसे स्वादिष्ट, प्रबंधनीय टुकड़ों में काटने के बीच का अंतर है।

यहाँ शोध पत्र "Goedel-Code-Prover: Hierarchical Proof Search for Open State-of-the-Art Code Verification" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र लार्ज लैंग्वेज मॉडल्स (LLMs) का उपयोग करके स्वचालित औपचारिक कोड सत्यापन (automated formal code verification) की चुनौती को संबोधित करता है। जबकि LLMs कोड जनरेशन में उत्कृष्ट हैं, उनमें शुद्धता की गारंटी का अभाव है। औपचारिक सत्यापन (Lean 4 जैसे उपकरणों का उपयोग करके) के लिए मशीन-जांच योग्य प्रमाण (machine-checkable proofs) का निर्माण करना आवश्यक है, जो एक ऐसा कार्य है जिसमें वर्तमान स्वचालन (automation) तीन विशिष्ट अंतरालों के कारण संघर्ष करता है:

अग्राउंडेड डिकंपोजिशन (Ungrounded Decomposition): गणित के विपरीत, जहाँ LLMs विशाल पाठ संग्रहों (पाठ्यपुस्तकों, शोध पत्रों) से प्रमाण रणनीतियों को सीखते हैं, प्रोग्राम शुद्धता तर्क (program correctness reasoning) के लिए कोई तुलनीय संग्रह उपलब्ध नहीं है। परिणामस्वरूप, LLMs अक्सर ऐसे उप-लक्ष्य (subgoals) प्रस्तावित करते हैं जो या तो अर्थपूर्ण रूप से अमान्य होते हैं या मूल लक्ष्य से सरल नहीं होते।
कॉन्सेप्ट प्रोलिफरेशन (Concept Proliferation): गणित में, प्रमाण साझा पुस्तकालयों (जैसे, Mathlib) पर निर्भर करते हैं। कोड सत्यापन में, प्रत्येक नया प्रोग्राम अद्वितीय कार्यों (functions), नियंत्रण प्रवाह (control flows) और डेटा संरचनाओं को पेश करता है, जिसके लिए पूर्व-मौजूदा लेम्मा (lemmas) के बिना शून्य से गुणों की खोज करने की आवश्यकता होती है।
टैक्टिक डिस्ट्रीब्यूशन शिफ्ट (Tactic Distribution Shift): कोड सत्यापन के लिए विवेकी और पुनरावर्ती तर्क (discrete, recursive reasoning) (जैसे, लिस्ट इंडक्शन, बिट-वेक्टर लॉजिक) और विशिष्ट टैक्टिक्स (जैसे, grind, native_decide) की आवश्यकता होती है, जबकि गणितीय प्रमाण काफी हद तक बीजगणितीय टैक्टिक्स पर निर्भर करते हैं। गणित पर प्रशिक्षित मॉडल अक्सर कोड के लिए सही उपकरणों को बुलाने में विफल रहते हैं।

मूल कठिनाई एक संयुक्त खोज समस्या (compound search problem) है: एक गलत डिकंपोजिशन पूरे प्रमाण को अव्यवहार्य बना सकता है, और खोज स्थान (search space) अत्यंत नाजुक होता है।

2. कार्यप्रणाली: पदानुक्रमित प्रमाण खोज ढांचा (Methodology: Hierarchical Proof Search Framework)

लेखक एक ऐसा ढांचा प्रस्तावित करते हैं जो टैक्टिक-स्तरीय प्रमाण का प्रयास करने से पहले जटिल सत्यापन लक्ष्यों को संरचनात्मक रूप से सरल उप-लेम्मा (sub-lemmas) में विभाजित करता है। यह प्रणाली एक एकीकृत नीति (unified policy - $\pi$ ) के इर्द-गिर्द निर्मित है जो डिकंपोजिशन (योजना बनाना) और पूर्णता (सिद्ध करना) दोनों को संभालती है।

A. डिकंपोजिशन स्कोर ( $S$ )

एक केंद्रीय नवाचार एक सिद्धांत आधारित डिकंपोजिशन स्कोर है जो प्रशिक्षण पुरस्कार (training reward) और अनुमान-समय रैंकिंग मानदंड (inference-time ranking criterion) दोनों के रूप में कार्य करता है। यह स्कोर $S$ दो अक्षों को जोड़ता है:

रचनात्मक औचित्य (Constructive Justification - वैधता):
- प्रमाण पुनर्निर्माण (Proof Reconstruction): प्रस्तावित लेम्मा को मूल प्रमेय (parent theorem) को तार्किक रूप से सिद्ध करना चाहिए। LLM को एक प्रमाण पद (proof term) $\pi_{parent}$ उत्पन्न करना होगा जो $(L_1 \land \dots \land L_k) \implies G$ को सत्यापित करता हो।
- क्विकचेक फ़िल्टर (Quickcheck Filter): प्रत्येक लेम्मा पर स्वचालित काउंटर-एग्जांपल खोज (quickcheck के माध्यम से) लागू की जाती है। यदि कोई काउंटर-एग्जांपल मिलता है, तो उस डिकंपोजिशन को त्याग दिया जाता है। यह सुनिश्चित करता है कि उप-लक्ष्य अनुभवजन्य रूप से सुसंगत हैं।
डिकंपोजिशन प्रभावशीलता (Decomposition Effectiveness - सरलता):
- इसे ऑपरेटर फुटप्रिंट ( $d(\cdot)$ ) द्वारा मापा जाता है, जो किसी लक्ष्य के एब्स्ट्रैक्ट सिंटैक्स ट्री (AST) में कुल तार्किक और डोमेन-विशिष्ट ऑपरेटरों की गणना करता है।
- स्कोर रिडक्शन रेश्यो (reduction ratio) की गणना करता है: $r = \max(1 - \frac{\bar{d}(L)}{d(G)}, 0)$ , जहाँ $\bar{d}$ उप-लक्ष्य फुटप्रिंट का स्मूथ किया गया अधिकतम मान है (LogSumExp का उपयोग करके ताकि आंशिक प्रगति के प्रति संवेदनशील रहा जा सके)।

अंतिम स्कोर $S = v \cdot r$ है, जहाँ $v$ एक बाइनरी वैलिडिटी गेट है।

B. प्रशिक्षण पाइपलाइन: हाइब्रिड रीइन्फोर्समेंट लर्निंग (Training Pipeline: Hybrid Reinforcement Learning)

लेखक घने डिकंपोजिशन संकेतों और विरल बाइनरी प्रमाण संकेतों के बीच "रिवॉर्ड मिसमैच" को हल करने के लिए Goedel-Code-Prover-8B (Qwen-3-8B बैकबोन पर आधारित) को दो चरणों वाली प्रक्रिया का उपयोग करके प्रशिक्षित करते हैं:

सुपरवाइज्ड फाइन-ट्यूनिंग (SFT): मॉडल को फ्रंटियर मॉडल्स (GPT-5.2, Gemini-3-Flash) द्वारा उत्पन्न 281K डिकंपोजिशन पेयर्स और 151K कंप्लीशन पेयर्स का उपयोग करके इनिशियलाइज़ किया जाता है।
हाइब्रिड रीइन्फोर्समेंट लर्निंग (RL):
- डिकंपोजिशन: निरंतर डिकंपोजिशन स्कोर $S$ का उपयोग करके ग्रुप रिलेटिव पॉलिसी ऑप्टिमाइजेशन (GRPO) के माध्यम से अनुकूलित किया जाता है। यह अन्वेषण (exploration) और करिकुलम विस्तार को बढ़ावा देता है।
- कंप्लीशन: सुपरवाइज्ड रिप्ले (Supervised Replay) के माध्यम से स्थिर किया जाता है। मॉडल लेम्मा सिद्ध करने का प्रयास करता है; यदि वह विफल होता है, तो एक फ्रंटियर मॉडल समाधान प्रदान करता है। मॉडल को फिर इन उच्च-गुणवत्ता वाले ट्राजेक्टरीज पर प्रशिक्षित किया जाता है ताकि विरल बाइनरी रिवॉर्ड के कारण कंप्लीशन क्षमता स्थिर न हो जाए।

C. अनुमान पाइपलाइन (Inference Pipeline)

अनुमान (Inference) दो क्रमिक चरणों में संचालित होता है:

पुनरावर्ती लेम्मा डिकंपोजिशन (Recursive Lemma Decomposition): नीति उच्चतम ऑपरेटर फुटप्रिंट वाले लक्ष्य का चयन करती है, उसे डिकंपोज़ करती है, और प्रमाण पुनर्निर्माण एवं क्विकचेक के माध्यम से परिणाम को सत्यापित करती है। यह तब तक चलता है जब तक बजट समाप्त न हो जाए या सभी लक्ष्य लीफ लेम्मा (leaf lemmas) न बन जाएं।
पुनरावर्ती लेम्मा कंप्लीशन (Iterative Lemma Completion): नीति शेष लीफ लेम्मा को पुनरावर्ती टैक्टिक जनरेशन का उपयोग करके सिद्ध करने का प्रयास करती है, और Lean कंपाइलर फीडबैक के आधार पर सुधार करती है।

3. मुख्य योगदान (Key Contributions)

पदानुक्रमित ढांचा (Hierarchical Framework): Lean 4 कोड सत्यापन के लिए एक नवीन दृष्टिकोण जो टैक्टिक जनरेशन से अलग लक्ष्य डिकंपोजिशन को अलग करता है, जिससे कोड सत्यापन की विशिष्ट चुनौतियों (कॉन्सेप्ट प्रोलिफरेशन, टैक्टिक शिफ्ट) का समाधान होता है।
सिद्धांत आधारित डिकंपोजिशन स्कोर (Principled Decomposition Score): एक एकीकृत मीट्रिक जो तार्किक वैधता (प्रमाण पुनर्निर्माण + क्विकचेक) और संरचनात्मक सरलता (ऑपरेटर फुटप्रिंट रिडक्शन) को जोड़ता है, जिसका उपयोग प्रशिक्षण रिवॉर्ड और अनुमान खोज दोनों के लिए किया जाता है।
हाइब्रिड RL पाइपलाइन: एक प्रशिक्षण रणनीति जो डिकंपोजिशन (निरंतर रिवॉर्ड के माध्यम से) और कंप्लीशन (सुपरवाइज्ड रिप्ले के माध्यम से) को संयुक्त रूप से अनुकूलित करती है, जिससे एक एकल एकीकृत नीति दोनों कार्यों को प्रभावी ढंग से संभालने में सक्षम होती है।
स्टेट-ऑफ-द-आर्ट प्रदर्शन: यह प्रदर्शित करना कि एक विशेष रूप से प्रशिक्षित 8B मॉडल, काफी बड़े मॉडल्स (84 गुना बड़े तक) और फ्रंटियर रीजनिंग मॉडल्स को भी पछाड़ सकता है।

4. प्रयोगात्मक परिणाम (Experimental Results)

ढांचे का मूल्यांकन 427 कार्यों वाले तीन बेंचमार्क पर किया गया: Verina (189 कार्य), Clever (161 कार्य), और AlgoVeri (77 कार्य)।

कुल सफलता दर (Overall Success Rate): Goedel-Code-Prover-8B ने 62.0% की समग्र सिद्ध सफलता दर प्राप्त की।
- Verina: 68.8%
- Clever: 54.0%
- AlgoVeri: 62.3%
तुलना:
- सबसे मजबूत बेसलाइन (BFS-Prover-V2-32B, जिसने ~23.8% स्कोर किया) की तुलना में 2.6x सुधार।
- फ्रंटियर मॉडल्स जैसे GPT-5.3-Codex और DeepSeek-Prover-V2-671B (671B पैरामीटर्स) को पीछे छोड़ दिया, जबकि यह उनसे 84 गुना छोटा है।
इंफरेंस-टाइम स्केलिंग (Inference-Time Scaling): सफलता दर बढ़े हुए सर्च इटरेशन और समानांतर सैंपलिंग बजट ($pass@k$) के साथ निरंतर रूप से बढ़ी, जो दर्शाता है कि मॉडल ने अभी तक अपनी स्केलिंग क्षमता को पूरी तरह से प्राप्त नहीं किया है।
प्रूफ कॉम्प्लेक्सिटी (Proof Complexity): सत्यापित प्रमाणों में औसतन 8-17 डिकंपोज़्ड लेम्मा और 130 से अधिक लाइन का कोड था, जिनमें सबसे जटिल प्रमाण 680 लाइनों से अधिक थे।
एब्लेशन स्टडीज (Ablation Studies):
- पदानुक्रमित डिकंपोजिशन को हटाने से सफलता दर गिरकर ~26% हो गई।
- डिकंपोजिशन और कंप्लीशन का संयुक्त प्रशिक्षण सहक्रियात्मक लाभ (synergistic gains) प्रदान करता है, जो उन कॉन्फ़िगरेशन से बेहतर है जहाँ केवल एक घटक को प्रशिक्षित किया गया था।
- डिकंपोजिशन स्कोर ने सफलता के साथ मजबूत सहसंबंध दिखाया (AUROC = 0.903), जो एक खोज मार्गदर्शक (search guide) के रूप में इसके उपयोग की पुष्टि करता है।

5. महत्व (Significance)

यह कार्य "ऐसा कोड जो काम करता हुआ प्रतीत होता है" और "कोड जो प्रमाणित रूप से सही है" के बीच के अंतर को पाटता है। यह प्रदर्शित करता है कि पदानुक्रमित डिकंपोजिशन (hierarchical decomposition) कोड सत्यापन के लिए LLMs को लागू करने के लिए महत्वपूर्ण लुप्त कड़ी है, जहाँ सीधा टैक्टिक जनरेशन विफल हो जाता है। एक डोमेन-विशिष्ट स्कोरिंग तंत्र और हाइब्रिड प्रशिक्षण पाइपलाइन पेश करके, लेखक दिखाते हैं कि छोटे, विशिष्ट मॉडल जटिल सत्यापन कार्यों में विशाल, सामान्य-उद्देश्य वाले प्रोवर्स से बेहतर प्रदर्शन कर सकते हैं। यह दृष्टिकोण टेस्टिंग और SMT-आधारित ऑटो-एक्टिव वेरिफायर की सीमाओं से परे जाकर, सुरक्षा-महत्वपूर्ण सॉफ्टवेयर सत्यापन को स्वचालित करने की दिशा में एक स्केलेबल मार्ग प्रदान करता है।