🤖 AI

Symbolic Informalization: Fluent, Productive, Multilingual

यह शोध पत्र इन्फॉर्मथ (Informath) प्रोजेक्ट का परिचय देता है, जो एक डेडक्टी हब (Dedukti hub) और ग्रामैटिकल फ्रेमवर्क (Grammatical Framework) पर निर्मित एक प्रतीकात्मक अनौपचारिककरण ढांचे (symbolic informalization framework) का उपयोग करता है ताकि एगडा (Agda), लीन (Lean) और रॉक (Rocq) जैसे सिस्टम के औपचारिक प्रमाणों को प्रवाहपूर्ण, सटीक और बहुभाषी प्राकृतिक भाषा में विश्वसनीय रूप से परिवर्तित किया जा सके।

मूल लेखक: Aarne Ranta

प्रकाशित 2026-06-16

📖 8 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Aarne Ranta

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

मुख्य विचार: गणितीय रोबोट के लिए "अनुवादक"

कल्पना कीजिए कि आपके पास एक अत्यंत बुद्धिमान, सुपर-फास्ट रोबोट गणितज्ञ है। यह रोबोट एक बहुत ही सख्त, सटीक भाषा बोलता है जिसे फॉर्मल लॉजिक (Formal Logic) कहा जाता है (जैसे Agda, Lean, या Rocq)। यह 100% सटीकता के साथ प्रमेय (theorems) सिद्ध कर सकता है, लेकिन इसका आउटपुट कोड की एक दीवार जैसा दिखता है: forall (a : Int), odd a -> even (a + 1)।

एक इंसान के लिए, यह अपठनीय है। यह एक ऐसी किताब पढ़ने जैसा है जहाँ हर शब्द एक गुप्त कोड है।

इन्फॉर्मलाइजेशन (Informalization) उस औपचारिक रोबोटिक कोड को वापस प्राकृतिक भाषा (Natural Language) (अंग्रेजी, फ्रेंच, जर्मन, आदि) में अनुवाद करने की प्रक्रिया है ताकि इंसान इसे वास्तव में पढ़ और समझ सकें।

यह पेपर तर्क देता है कि जबकि हम रोबोटों को मानव पुस्तकों से गणित सीखने (AI का उपयोग करके) सिखाने में बहुत अच्छे हो गए हैं, हमने उन्हें अपना काम हमें समझाने के लिए (इस तरह से कि वह ऐसा लगे जैसे किसी इंसान ने लिखा हो) प्रशिक्षित करने में उतना अच्छा काम नहीं किया है। यह पेपर इस समस्या को ठीक करने के लिए Informath नामक एक सिस्टम पेश करता है।

तीन लक्ष्य: "प्रवाहपूर्ण, उत्पादक, बहुभाषी" तिकड़ी

लेखक का कहना है कि एक अच्छे अनुवादक सिस्टम को तीन चीजों की आवश्यकता होती है, जिन्हें वह इस प्रोजेक्ट की "पवित्र त्रिमूर्ति" कहता है:

प्रवाहपूर्ण (स्वाभाविक सुनाई दे):
- समस्या: पुराने अनुवादक खराब रोबोटों की तरह थे जो कहते थे, "पूर्णांकों का सेट एक सेट है।" वे कठोर और रोबोटिक थे।
- लक्ष्य: नया सिस्टम एक गणित की पाठ्यपुस्तक की तरह सुनाई देना चाहिए। उसे पता होना चाहिए कि "Assume x is..." कहने के बजाय "Let x be..." कब कहना है, और उसे वाक्यों को सुचारू रूप से जोड़ना आना चाहिए (जैसे, "x is even and y is even" के बजाय "x and y are even")।
- उपमा: एक GPS के अंतर के बारे में सोचें जो कहता है "बाएं मुड़ें। फिर 500 मीटर ड्राइव करें। फिर दाएं मुड़ें" बनाम एक इंसान जो निर्देश दे रहा है: "बाएं मुड़ें, एक ब्लॉक जाएं, फिर दाएं लें।" दोनों आपको वहां पहुंचा देते हैं, लेकिन एक को फॉलो करना बहुत आसान है।
उत्पादक (बनाने में आसान):
- समस्या: इन अनुवादकों को बनाना पहले एक शब्दकोश के हर शब्द को हाथ से तराशने जैसा था। इसमें बहुत समय लगता था और इसके लिए एक भाषाविद् (linguist) और एक कंप्यूटर वैज्ञानिक को मिलकर काम करने की आवश्यकता होती थी।
- लक्ष्य: इसे ऐसा बनाना कि एक गणितज्ञ बस अपने कोड में कुछ नोट्स जोड़ सके, और सिस्टम बाकी सब खुद समझ ले।
- उपमा: एक घर को शून्य से ईंट-दर-ईंट बनाने के बजाय, आप एक "लेगो किट" (जिसे Resource Grammar Library कहा जाता है) का उपयोग करते हैं। आप बस टुकड़ों को आपस में जोड़ते हैं, और सिस्टम जटिल इंजीनियरिंग (जैसे व्याकरण के नियम) को आपके लिए संभाल लेता है।
बहुभाषी (कई भाषाएं बोलना):
- समस्या: आमतौर पर, यदि आप अंग्रेजी के लिए एक अनुवादक चाहते हैं, तो आप एक बनाते हैं। यदि आप फ्रेंच चाहते हैं, तो आप एक बिल्कुल अलग एक बनाते हैं।
- लक्ष्य: एक ऐसा "मस्तिष्क" बनाना जो कोई भी भाषा बोल सके।
- उपमा: एक यूनिवर्सल अडैप्टर प्लग की कल्पना करें। आप बीच में गणितीय कोड को प्लग करते हैं, और यह अंग्रेजी, फ्रेंच, जर्मन या स्वीडिश में आउटपुट दे सकता है, बस "प्लग हेड" को बदलकर। आपको हर देश के लिए पूरी मशीन को फिर से बनाने की आवश्यकता नहीं है।

यह कैसे काम करता है: "हब एंड स्पोक" सिस्टम

पेपर एक लक्ष्य प्राप्त करने के लिए एक चतुर आर्किटेक्चर का वर्णन करता है। इसे एक व्यस्त हवाई अड्डे के हब की तरह समझें।

द हब (Dedukti):
- यह केंद्रीय हवाई अड्डा है। सभी अलग-अलग "एयरलाइंस" (Agda, Lean, Rocq) अपने विमान (गणितीय प्रमाण) यहाँ लाती हैं।
- Dedukti एक सरल, सार्वभौमिक भाषा है जो एक सामान्य आधार के रूप में कार्य करती है। यह प्रत्येक एयरलाइन की विशिष्ट विचित्रताओं को हटा देती है और सब कुछ एक मानक प्रारूप में परिवर्तित करती है।
अनुवाद (Grammatical Framework - GF):
- एक बार जब गणित हब पर पहुँच जाता है, तो इसे मानवीय भाषण में बदलने की आवश्यकता होती है। यहीं पर GF आता है।
- GF एक मास्टर शेफ की रसोई की तरह है। इसके पास एक "रेसिपी बुक" (व्याकरण) है जो जानता है कि गणित की सामग्रियों को किसी भी भाषा में एक स्वादिष्ट वाक्य में कैसे पकाया जाए।
- यह जटिल हिस्सों को संभालता है: यह सुनिश्चित करना कि क्रिया (verbs) कर्ता (subjects) के साथ मेल खाएं, बहुवचन के लिए "is" को "are" में बदलना, और फ्रेंच या जर्मन जैसी भाषाओं में लिंग (gender) को संभालना।
द मेनू (Symbol Tables):
- यह वह "सीक्रेट सॉस" है। गणितज्ञ को पूरी रेसिपी बुक को फिर से लिखने की आवश्यकता नहीं है। वे बस एक "मेन्यू कार्ड" (सिंबल टेबल) भरते हैं जो कहता है:
  - "जब आप कोड plus देखें, तो 'sum' कहें।"
  - "जब आप odd देखें, तो 'odd' कहें।"
- यह अनुमति देता है कि नीचे के जटिल व्याकरण को तोड़े बिना सिस्टम को आसानी से कस्टमाइज़ किया जा सके।

"इसे मानवीय बनाने" का जादू

पेपर इस बात पर प्रकाश डालता है कि गणित को स्वाभाविक बनाना जितना दिखता है उससे कहीं अधिक कठिन है। Informath द्वारा उपयोग किए जाने वाले कुछ तरीके यहाँ दिए गए हैं:

एग्रीगेशन (The "And" Trick):
- रोबोट: "x is even. x is divisible by 3."
- इंसान: "x is even and divisible by 3."
- सिस्टम इन वाक्यों को बेहतर ढंग से जोड़ने के लिए जानता है ताकि वे बेहतर प्रवाह दें।
इन सिटू क्वांटिफिकेशन (In Situ Quantification - "छिपा हुआ" वेरिएबल):
- रोबोट: "For all numbers n, n is even or n is odd."
- इंसान: "Every natural number is even or odd."
- सिस्टम को एहसास होता है कि आपको हर बार "number" शब्द को दोहराने की आवश्यकता नहीं है। यह वेरिएबल को वहां छिपा देता है जहां यह स्पष्ट हो, ठीक वैसे ही जैसे एक इंसान करेगा।
सिंबोलिक बनाम वर्बल (Symbolic vs. Verbal):
- कभी-कभी, गणित को प्रतीकों (जैसे $x + y = z$ ) के साथ लिखना सबसे अच्छा होता है, और कभी-कभी शब्दों ("the sum of x and y") के साथ। सिस्टम जानता है कि कब किसका उपयोग करना है। यह स्वचालित रूप से LaTeX कोड (गणित टाइपसेटिंग के लिए मानक) भी जनरेट कर सकता है।

यह पेपर वास्तव में क्या दावा करता है (और क्या नहीं)

यह क्या करता है (DOES):

इसने सफलतापूर्वक एक सिस्टम (Informath) बनाया है जो औपचारिक गणितीय प्रमाणों को ले सकता है और उन्हें कई भाषाओं में प्रवाहमय, प्राकृतिक लगने वाले टेक्स्ट में बदल सकता है।
इसने सिद्ध किया कि आप इस सिस्टम को "उत्पादक" (उपयोगी) बनाकर यह लक्ष्य प्राप्त कर सकते हैं कि पूर्व-निर्मित व्याकरण लाइब्रेरी और सरल सिंबल टेबल का उपयोग किया जाए।
इसने दिखाया कि यह सिस्टम स्नातक स्तर के गणित (अंकगणित, बीजगणित, टोपोलॉजी) और यहाँ तक कि कुछ उन्नत विषयों (होमोटॉपी टाइप थ्योरी) के लिए भी काम करता है, हालांकि उन्नत विषयों के लिए यह कठिन है।
इसने प्रदर्शित किया कि इस सिस्टम का उपयोग AI मॉडल (LLMs) को बेहतर गणित करने में मदद करने के लिए डेटा उत्पन्न करने हेतु किया जा सकता है।

यह क्या दावा नहीं करता (DOES NOT - टेक्स्ट के आधार पर):

यह दावा नहीं करता कि यह सिस्टम अभी भी गणित के सभी रूपों के लिए पूर्ण है। लेखक स्वीकार करता है कि "गणित की पूरी साधारण भाषा" को कवर करना एक बड़ा, निरंतर लक्ष्य है।
यह दावा नहीं करता कि यह वर्तमान में प्रत्येक प्रमाण प्रणाली को पूरी तरह से संभाल सकता है। Isabelle या Mizar जैसे सिस्टमों का उल्लेख भविष्य की चुनौतियों के रूप में किया गया है क्योंकि वे अलग तरह से काम करते हैं।
यह दावा नहीं करता कि यह मानव गणितज्ञों की जगह लेता है। यह एक उपकरण है जो मनुष्यों को यह पढ़ने में मदद करता है कि कंप्यूटर ने क्या किया है।

निष्कर्ष

पेपर निष्कर्ष निकालता है कि इन्फॉर्मलाइजेशन आसान नहीं है। यह केवल फॉर्मलाइजेशन का उल्टा नहीं है। जबकि फॉर्मलाइजेशन (इंसान से रोबोट तक) को त्रुटियों के लिए स्वचालित रूप से जांचा जा सकता है, इन्फॉर्मलाइजेशन (रोबोट से इंसान तक) कठिन है क्योंकि "स्वाभाविक सुनाई देना" व्यक्तिपरक और जटिल है।

हालाँकि, एक "हब" सिस्टम (Dedukti) और एक "यूनिवर्सल ग्रामर" (GF) का उपयोग करके, लेखक दिखाता है कि हम एक ऐसा अनुवादक बना सकते हैं जो विश्वसनीय है (यह तथ्यों की कल्पना/hallucinate नहीं करता है), लचीला है (यह कई भाषाएं बोलता है), और कुशल है (इसके लिए भाषाविदों की टीम की आवश्यकता नहीं है)। यह रोबोट के ठंडे कोड को वापस एक गर्म, पठनीय कहानी में बदल देता है।

तकनीकी सारांश: प्रतीकात्मक अनौपचारिककरण (Symbolic Informalization)

समस्या विवरण

यह शोध पत्र प्रतीकात्मक अनौपचारिककरण (symbolic informalization) की चुनौती को संबोधित करता है: औपचारिक गणित (मशीन-जांची गई प्रमेयों और सिद्धांतों) को बिना सटीकता खोए, प्रवाहपूर्ण, प्राकृतिक भाषा में विश्वसनीय रूप से परिवर्तित करना। जबकि न्यूरल विधियों (लार्ज लैंग्वेज मॉडल्स) ने ऑटोफॉर्मलाइजेशन (अनौपचारिक से औपचारिक) में प्रगति की है, वे "भ्रम" (hallucinations) से ग्रस्त हैं और यह गारंटी नहीं दे सकते कि औपचारिक सिद्धांत मूल पाठ से मेल खाता है। इसके विपरीत, जबकि औपचारिकता के परिणामों को स्वचालित रूप से सत्यापित किया जा सकता है, इसके विपरीत प्रक्रिया—अनौपचारिककरण—को प्रतीकात्मक रूप से स्वचालित करना अक्सर कठिन होता है।

प्रतीकात्मक अनौपचारिककरण के पिछले प्रयासों की तीन मुख्य कारणों से आलोचना की गई है, जिन्हें यह शोध पत्र एक सफल प्रणाली के लिए मुख्य आवश्यकताओं के रूप में पहचानता है:

प्रवाह (Fluency): आउटपुट अक्सर प्राकृतिक भाषा की विविधता और लचीलेपन की कमी रखता है, जो कठोर प्रतीत होता है।
उत्पादकता (Productivity): प्रणालियों को डिजाइन और कार्यान्वित करना कठिन है।
बहुभाषता (Multilinguality): दृष्टिकोण अक्सर विभिन्न औपचारिक भाषाओं या प्राकृतिक भाषाओं में स्केल करने में विफल रहते हैं।

शोध पत्र का तर्क है कि अनौपचारिककरण केवल एक "आसान" अनुवाद नहीं है, बल्कि एक जटिल शोध समस्या है जिसके लिए अर्थ संबंधी सुदृढ़ता (semantic soundness) और भाषाई पूर्णता (linguistic completeness) के बीच संतुलन की आवश्यकता है।

कार्यप्रणाली: इन्फॉर्मथ (Informath) प्रणाली

यह शोध पत्र इन्फॉर्मथ प्रणाली का परिचय देता है, जो प्रवाह, उत्पादकता और बहुभाषता के तीन लक्ष्यों को संबोधित करने के लिए एक इंटरलिंगुअल आर्किटेक्चर पर आधारित है।

1. आर्किटेक्चर

इन्फॉर्मथ एक दो-चरणीय इंटरलिंगुआ दृष्टिकोण का उपयोग करता है:

औपचारिक इंटरलिंगुआ (Dedukti): विभिन्न प्रमाण प्रणालियों (Agda, Lean, Rocq) के बीच एक केंद्र के रूप में कार्य करता है। Dedukti एक न्यूनतम तार्किक ढांचा है जिसमें डिपेंडेंट टाइप्स और रीराइट नियम हैं। यह औपचारिक सामग्री के लिए सत्य के स्रोत के रूप में कार्य करता है।
भाषाई इंटरलिंगुआ (Grammatical Framework - GF): यह प्राकृतिक भाषा पक्ष को संभालता है। GF एक व्याकरणिक ढांचा है जो बहुभाषी अनुवाद के लिए डिज़ाइन किया गया है और एक लॉजिकल फ्रेमवर्क पर आधारित है।

कार्यप्रवाह है: प्रूफ सिस्टम $\to$ Dedukti $\to$ GF एब्स्ट्रैक्ट सिंटैक्स $\to$ प्राकृतिक भाषा।

2. बहुभाषता

बहुभाषता को Dedukti एब्स्ट्रैक्ट सिंटैक्स को GF एब्स्ट्रैक्ट सिंटैक्स में मैप करके प्राप्त किया जाता है, जिसे फिर मूर्त प्राकृतिक भाषाओं में रैखिकीकृत (linearized) किया जाता है।

साझा एब्स्ट्रैक्ट सिंटैक्स: मुख्य गणितीय अवधारणाओं को GF के भीतर एक भाषा-स्वतंत्र एब्स्ट्रैक्ट सिंटैक्स ट्री (AST) में परिभाषित किया जाता है।
रिसोर्स ग्रामर लाइब्रेरी (RGL): इन्फॉर्मथ GF RGL का लाभ उठाता है, जो लगभग 40 भाषाओं के लिए पूर्व-निर्धारित भाषाई संरचनाएं (विभक्ति, सहमति, वाक्य रचना के नियम) प्रदान करता है। यह सुनिश्चित करता कि समान एब्स्ट्रैक्ट सिंटैक्स को अंग्रेजी, फ्रेंच, जर्मन, स्वीडिश आदि में सही ढंग से रेंडर किया जाए, और व्याकरणिक विविधताओं (जैसे लिंग, कारक, संख्या) को स्वचालित रूप से संभाला जाए।

3. उत्पादकता

कार्यान्वयन की कठिनाई को दूर करने के लिए, इन्फॉर्मथ एक डिप्लॉयमेंट स्टैक का उपयोग करता है जो एंड-यूजर्स के लिए GF और Haskell कोड की जटिलता को समाप्त करता है:

सिंबल टेबल्स (.dkgf): यह उच्चतम और सबसे सुलभ स्तर है। उपयोगकर्ता लेक्सिकल एनोटेशन को परिभाषित करते हैं जो Dedukti स्थिरांकों (constants) को GF फंक्शन या स्ट्रिंग टेम्पलेट्स से मैप करते हैं। यह गैर-भाषाविदों को व्याकरण नियम लिखे बिना नए गणितीय अवधारणाओं तक सिस्टम का विस्तार करने की अनुमति देता है।
स्मार्ट पैराडिग्स: RGL बुनियादी शब्द रूपों से विभक्ति तालिकाएं (inflection tables) उत्पन्न करता है, जिससे मैन्युअल लेक्सिकल प्रविष्टि की आवश्यकता कम हो जाती है।
मॉड्यूलर कोड: सिस्टम स्थिर कोर (MathCore, जो अर्थ संबंधी सुदृढ़ता को संभालता है) को विस्तार योग्य एक्सटेंशन (MathExtensions, जो भाषाई पूर्णता को संभालता है) से अलग करता है।

4. प्रवाह और प्राकृतिक भाषा पीढ़ी (NLG)

प्रवाह प्राप्त करने के लिए, इन्फॉर्मथ बुनियादी कंट्रोल्ड नेचुरल लैंग्वेजेस (CNLs) से आगे बढ़कर एक बहु-चरणीय NLG पाइपलाइन लागू करता है:

कंटेंट डिटरमिनेशन और टेक्स्ट प्लानिंग: क्या कहना है और किस क्रम में कहना है, इसका निर्णय लेना।
एग्रीगेशन (Aggregation): परमाणु तथ्यों को मिलाना (उदाहरण के लिए, "x सम है और x अभाज्य है" को "x सम और अभाज्य है" में बदलना)।
लेक्सिकल चॉइस (Lexical Choice): सिंबल टेबल्स के माध्यम से उपयुक्त शब्दों का चयन करना।
सरफेस रियलाइजेशन (Surface Realization): GF लीनियराइजेशन का उपयोग करके अंतिम स्ट्रिंग उत्पन्न करना।
रैंकिंग (Ranking): सिस्टम एक एकल औपचारिक कथन के लिए हजारों वेरिएंट अभिव्यक्तियों को उत्पन्न करता है। इन्हें ट्री साइज, डेप्थ, टोकन काउंट और शैलीगत नियमों (जैसे प्रतीकों से शुरू होने वाले वाक्यों से बचना) के आधार पर एक पेनल्टी फंक्शन का उपयोग करके रैंक किया जाता है। यह सुनिश्चित करता है कि आउटपुट संक्षिप्त और स्वाभाविक लगे।

व्याकरण को MathCore (एक न्यूनतम CNL जो सभी Dedukti कंस्ट्रक्ट्स को कवर करता है) और MathExtensions (जो गणित की पूर्ण भाषा का अनुमान लगाता है) में विभाजित किया गया है। सिस्टम जटिल सुविधाओं का समर्थन करता है जैसे:

वेरिएबल-बाइंडिंग स्थिरांक: हायर-ऑर्डर एब्स्ट्रैक्ट सिंटैक्स (HOAS) के माध्यम से क्वांटिफायर और इंटीग्रल्स को संभालना।
इन सीटु क्वांटिफिकेशन (In situ quantification): प्रेडिकेट्स के भीतर क्वांटिफायर रखना (जैसे, "प्रत्येक प्राकृतिक संख्या सम है")।
प्रतीकात्मक नोटेशन (Symbolic Notation): मौखिक भागों को प्राकृतिक रखते हुए प्रतीकात्मक भागों के लिए LaTeX मैक्रोज़ उत्पन्न करना।

मुख्य योगदान

इन्फॉर्मथ सिस्टम: एक कार्यात्मक कार्यान्वयन जो प्रदर्शित करता है कि प्रतीकात्मक अनौपचारिककरण प्रवाहपूर्ण, उत्पादक और बहुभाषी हो सकता है।
इंटरलिंगुअल आर्किटेक्चर: औपचारिक तर्क को भाषाई भिन्नता से अलग करने के लिए Deduli और GF के दोहरे इंटरलिंगुआ के रूप में एक नवीन उपयोग।
लो-कोड एक्सटेंशन: एक सिंबल-टेबल-आधारित तंत्र जो उपयोगकर्ताओं को कोर व्याकरण या कंपाइलर कोड को बदले बिना नए गणितीय डोमेन तक सिस्टम का विस्तार करने की अनुमति देता है।
अस्पष्टता का प्रबंधन: प्राकृतिक भाषा की अंतर्निहित अस्पष्टता (जैसे, क्वांटिफायर का दायरा, संयोजन) को प्रबंधित करने की रणनीति, जो कई वेरिएंट उत्पन्न करने और उन्हें हल करने के लिए टाइप-चेकिंग या रैंकिंग का उपयोग करती है, बजाय इसके कि कठोर, निर्विवाद नियमों को लागू किया जाए जो प्रवाह का बलिदान देते हैं।

परिणाम

शोध पत्र इन्फॉर्मथ की वर्तमान स्थिति की रिपोर्ट करता है:

कवरेज: सिस्टम स्नातक गणित (अंकगणित, सेट थ्योरी, बीजगणित, टोपोलॉजी) को कवर करता है और इसका परीक्षण "100 थीम्स" प्रोजेक्ट पर किया गया है।
बहुभाषी आउटपुट: यह एक ही Deduli स्रोत से अंग्रेजी, फ्रेंच, जर्मन और स्वीडिश में प्रवाहपूर्ण टेक्स्ट सफलतापूर्वक उत्पन्न करता है।
केस स्टडीज:
- होमोटॉपी टाइप थ्योरी (Homotopy Type Theory): HoTT पुस्तक पर एक केस स्टडी ने तीसरे पक्ष के ट्रांसलेटर्स (Agda से Deduli) के साथ चुनौतियों को उजागर किया जो यूनिवर्स लेवल के कारण कोड जटिलता को बढ़ा देते हैं। हालांकि, एक बार परिवर्तित होने के बाद, इन्फॉर्मथ ने जटिल "प्रपोजिशन एज़ टाइप्स" परिदृश्यों सहित अनौपचारिककरण को सफलतापूर्वक संभाला।
- सिंथेटिक डेटा: इन्फॉर्मथ का उपयोग एक LLM (Qwen2.5-7B-Instruct) को फाइन-ट्यून करने के लिए सिंथेटिक डेटा उत्पन्न करने के लिए किया गया था, जिसके परिणामस्वरूप बेसलाइन की तुलना में बेहतर ऑटोफॉर्मलाइजेशन प्रदर्शन प्राप्त हुआ।
सीमाएँ: यह सिस्टम अभी भाषाई रूप से पूर्ण नहीं है (यह साधारण गणितीय भाषा के सभी पहलुओं को कवर नहीं करता है) और प्रमाण अनौपचारिककरण (proof informalization) अभी भी एक कार्य प्रगति पर है, विशेष रूप से प्रमाण चरणों के क्रम और विलोपन के संबंध में।

महत्व और दावे

शोध पत्र का दावा है कि प्रतीकात्मक अनौपचारिककरण, न्यूरल ऑटोफॉर्मलाइजेशन का एक आवश्यक पूरक है। जबकि LLMs औपचारिक कोड उत्पन्न कर सकते हैं, वे शुद्धता की गारंटी नहीं दे सकते; प्रतीकात्मक अनौपचारिककरण एक विश्वसनीय, व्याख्या योग्य सेतु प्रदान करता है जो मानव उपयोगकर्ताओं को उनके अंतर्निहित कोड को देखे बिना प्राकृतिक भाषा में औपचारिक प्रणालों के साथ बातचीत करने की अनुमति देता है।

लेखक विनम्रतापूर्वक निष्कर्ष निकालते हैं कि हालांकि इन्फॉर्मथ बुनियादी CNLs की तुलना में प्रवाह का एक स्तर प्राप्त करता है, गणित की साधारण भाषा की पूर्ण कवरेज एक दूर का लक्ष्य है। प्राथमिक खुले चुनौतियां जनित वेरिएंट की बढ़ती संख्या की रैंकिंग और प्रमाणों का अनौपचारिककरण हैं। शोध पत्र इस बात पर जोर देता है कि फॉर्मलाइजेशन के विपरीत, जिसे स्वचालित रूप से सत्यापित किया जा सकता है, अनौपचारिककरण के लिए अंतर्निहित विश्वसनीयता और विशेषज्ञ ज्ञान की आवश्यकता होती है, जो ऐसे उपकरणों के विकास को मानव-पठनीय मशीन-चेक्ड गणित के भविष्य के लिए एक महत्वपूर्ण लेकिन आवश्यक प्रयास बनाता है।