💻 computer science

When Equality Fails as a Rewrite Principle: Provenance and Definedness for Measurement-Bearing Expressions

Questo lavoro presenta una semantica unificata per le espressioni con misure che traccia provenienza e definitività, fornendo un quadro formale in Lean 4 per distinguere tra uguaglianza algebrica e riscrittura sicura, dimostrando come la conservazione dell'identità dei token e la gestione delle singolarità siano essenziali per evitare errori di definizione.

Autori originali: David B. Hulak, Arthur F. Ramos, Ruy J. G. B. de Queiroz

Pubblicato 2026-04-10

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: David B. Hulak, Arthur F. Ramos, Ruy J. G. B. de Queiroz

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di essere un cuoco che deve preparare una ricetta scientifica. Hai degli ingredienti misurati con precisione (come "200 grammi di farina" o "50 ml di latte"), ma c'è un problema: le regole matematiche che usi a scuola non funzionano sempre quando si tratta di misurazioni reali.

Questo articolo di ricerca spiega perché, usando un linguaggio semplice e alcune metafore divertenti.

Il Problema: Perché la matematica "classica" si blocca

Nella matematica scolastica, se hai due cose uguali, puoi scambiarle liberamente. Se scrivi $x - x$ , il risultato è sempre 0. Se scrivi $x / x$ , il risultato è sempre 1.
Ma nel mondo reale, dove le cose sono misurate (e quindi hanno un po' di incertezza e una "storia"), queste regole crollano.

Gli autori del paper identificano due "mostri" che fanno fallire la matematica semplice:

1. Il Mostro della "Provenienza" (La storia dell'ingrediente)

Immagina di avere due tazze di caffè.

Scenario A: Hai versato il caffè da una sola brocca grande in due tazze diverse. Se misuri il caffè nella prima tazza ( $x$ ) e lo sottrai al caffè nella seconda ( $x$ ), sai per certo che la differenza è zero. È lo stesso liquido!
Scenario B: Hai due brocche diverse, piene fino allo stesso livello (diciamo tra 200ml e 210ml). Versi il caffè dalla prima brocca in una tazza ( $x_1$ ) e dalla seconda in un'altra ( $x_2$ ). Anche se le brocche sembrano identiche, potrebbero esserci 5ml di differenza tra di loro. Se fai $x_1 - x_2$ , il risultato non è necessariamente zero.

La metafora: È come se la matematica classica dicesse: "Tutte le mele sono uguali". Ma in realtà, se prendi due mele diverse dal frutteto, anche se sembrano identiche, potrebbero pesare un grammo in più l'una dell'altra. Il paper dice che dobbiamo tenere traccia di da dove viene ogni ingrediente (il "token" o gettone), non solo di quanto pesa.

2. Il Mostro della "Definizione" (Dove la ricetta esplode)

Immagina di dividere un numero per se stesso: $x / x$ .

Se $x$ è 5, il risultato è 1.
Se $x$ è 0... BOOM! La ricetta esplode. Non puoi dividere per zero.

Nella matematica classica, $x/x$ è uguale a 1. Ma nel mondo reale, se la tua misurazione di $x$ potrebbe essere zero (o molto vicina a zero), allora trasformare $x/x$ in "1" è pericoloso. Stai nascondendo un potenziale disastro (una divisione per zero) sotto il tappeto.
Al contrario, se hai un'espressione complessa che potrebbe esplodere e la semplifichi in qualcosa di sicuro (come il numero 1), va bene. Ma non puoi fare il contrario: non puoi prendere un numero sicuro e trasformarlo in un'espressione che potrebbe esplodere.

La metafora: È come dire che un ponte è "sicuro" perché regge fino a 100 tonnellate. Se trasformi quel ponte in un ponte che regge solo fino a 99 tonnellate (aggiungendo un limite), stai peggiorando la situazione. La semplificazione deve sempre andare nella direzione della sicurezza, non verso il pericolo.

La Soluzione: Un nuovo "Sistema Operativo" per le misurazioni

Gli autori hanno creato un nuovo modo di pensare alle formule scientifiche, che tiene conto di due cose contemporaneamente:

Chi è il proprietario dell'ingrediente? (Provenienza: è la stessa brocca o due brocche diverse?)
L'ingrediente è sicuro da usare? (Definizione: evitiamo di dividere per zero).

Hanno costruito un "cassettone" (un sistema formale) che controlla ogni passaggio di una ricetta matematica.

Se provi a sostituire due ingredienti diversi con uno solo (pensando che siano uguali), il sistema ti blocca: "Ehi, non sono la stessa brocca!".
Se provi a nascondere un pericolo di divisione per zero, il sistema ti blocca: "Ehi, qui potresti cadere nel vuoto!".

Cosa hanno scoperto di importante?

Non è tutto transitorio: A volte, se semplifichi un passaggio A in B, e poi B in C, non significa che A sia sicuro come C. Ogni passo deve essere controllato singolarmente. È come scalare una montagna: anche se il sentiero A-B è sicuro e B-C è sicuro, il percorso totale potrebbe avere una trappola che non vedi guardando solo i singoli tratti.
La matematica "cieca" non basta: Se cancelli la storia degli ingredienti (la provenienza) e guardi solo i numeri, perdi informazioni vitali. Se guardi solo la storia e ignori i pericoli matematici (come la divisione per zero), perdi anche lì. Devi guardare entrambi.
L'uguaglianza è un'illusione: Due formule possono dare lo stesso risultato in 99 casi su 100, ma se in quel 1 caso diverso c'è un pericolo (o una differenza di origine), non sono intercambiabili.

In sintesi

Immagina che questo paper sia un manuale di sicurezza per ingegneri di formule.
Dice: "Non fidatevi ciecamente della matematica scolastica quando lavorate con dati reali. Ogni volta che fate un calcolo, chiedetevi: È lo stesso oggetto fisico? e Sto creando un pericolo invisibile?".

Hanno anche scritto tutto questo in un linguaggio informatico chiamato Lean 4, che è come un "controllore di volo" automatico: ha verificato matematicamente che tutte le loro regole siano corrette, senza errori, come se un computer avesse controllato ogni singola ricetta per assicurarci che non ci siano esplosioni.

Il messaggio finale: Quando si tratta di misurazioni del mondo reale, l'uguaglianza matematica non è una regola magica. È una condizione delicata che richiede di conoscere la storia degli ingredienti e i limiti della sicurezza.

1. Il Problema

Il paper affronta una questione fondamentale nell'elaborazione simbolica di espressioni matematiche che contengono misure fisiche (es. dati sperimentali con incertezze): quando è sicuro sostituire un'espressione con un'altra?

L'uguaglianza algebrica standard non è un principio di riscrittura (rewriting) valido per le espressioni portanti misure. Il paper identifica due modalità di fallimento che rendono il problema non banale:

Provenienza (Provenance): Un atto di osservazione produce un valore che entra nel calcolo insieme a una traccia della sua origine. Se la stessa lettura viene riutilizzata due volte in una formula (es. $x - x$ ), entrambe le occorrenze si riferiscono allo stesso valore esatto nascosto. Tuttavia, se due letture separate vengono prese (anche con strumenti identici e intervalli di incertezza uguali, es. $x_1 - x_2$ ), i valori esatti sottostanti non devono necessariamente coincidere. I trattamenti formali standard (come l'analisi dimensionale o l'aritmetica degli intervalli classica) sono "ciechi alla provenienza" e non distinguono tra riutilizzo dello stesso token di misura e uso di misure simili ma distinte.
Definitività (Definedness): La divisione introduce singolarità. Forme algebriche che coincidono ovunque siano entrambe definite possono differire per quanto riguarda il luogo in cui sono definite. Ad esempio, $x/x$ è definito solo per $x \neq 0$ , mentre la costante $1$ è definita ovunque. Sostituire $1$ con $x/x$ introduce una singolarità non necessaria, rendendo la riscrittura insicura in una direzione.

Un semplificatore simbolico per formule scientifiche deve gestire contemporaneamente entrambi questi fallimenti.

2. Metodologia

Gli autori sviluppano un quadro semantico unificato che traccia sia la provenienza che la definitività. La metodologia si basa su:

Linguaggio delle Espressioni: Un linguaggio minimale con foglie che sono costanti razionali esatte o quantità misurate. Ogni foglia misurata ($Meas(t, I, d)$) contiene:
- Un token $t$ (nascosto, identifica l'evento di osservazione).
- Un intervallo razionale $I$ che delimita il valore esatto nascosto.
- Una dimensione $d$ (etichetta sintattica).
Semantica di Inclosure Sensibile ai Token (Token-sensitive Enclosure Semantics):
- Viene definita un'ambiente di token $\sigma$ che assegna un valore razionale esatto a ogni token.
- L'inclosure garantita ($Encl(e)$) è l'insieme di tutti i valori ottenibili da ambienti consistenti con i token. Questo meccanismo rende visibile la provenienza: se due foglie condividono lo stesso token, devono assumere lo stesso valore in ogni ambiente.
Dominio Ammissibile (Admissible Domain):
- Viene introdotto il concetto di ben-definità ($WellDefined$): un'espressione è ben definita in un ambiente se ogni divisione ha un denominatore non nullo.
- Il dominio ammissibile ($AdmDom(e)$) è l'insieme degli ambienti che sono sia consistenti con i token sia in cui l'espressione è ben definita.
- Viene definita l'inclosure definita ($DefinedEncl(e)$) restringendo la valutazione solo al dominio ammissibile.
Giudizi di Riscrittura: Vengono definiti tre livelli di giudizio:
1. Basati sull'inclosure: $e \rightsquigarrow e'$ (rafforzamento dell'asserzione) e $e \rightleftharpoons e'$ (equivalenza completa).
2. Consapevoli del dominio (Domain-aware): $e \rightsquigarrow_d e'$ richiede che il dominio ammissibile del target contenga quello della sorgente e che i valori siano coerenti. Questo rende la riscrittura direzionale (es. rimuovere una singolarità è sicuro, introdurla no).
3. Relativi al supporto (Support-relative): Permettono di adattare i giudizi a sottoinsiemi di ambienti (es. intervalli positivi), collegando risultati locali e globali.

3. Contributi Chiave

Il paper presenta sei contributi principali, tutti formalizzati in Lean 4 (senza sorry, ovvero con prove complete):

Semantica di Inclosure Sensibile ai Token: Una semantica denotazionale che assegna a ogni espressione la sua "inclosure garantita", distinguendo tra riutilizzo dello stesso token e uso di token distinti.
Giudizi di Riscrittura Consapevoli del Dominio: Un raffinamento che restringe la valutazione agli ambienti scientificamente giustificati, introducendo la condizione di sicurezza del dominio ( $AdmDom(e) \subseteq AdmDom(e')$ ).
Teoremi di Riduzione e Recupero:
- Dimostrano che quando tutte le espressioni sono universalmente ammissibili (nessuna singolarità raggiungibile), il livello consapevole del dominio collassa nel livello basato sull'inclosure.
- Recuperano internamente cancellazioni, sottrazioni di sfondo e divisioni su se stessi per intervalli positivi all'interno del livello relativo al supporto.
Risultati di Strictness (Rigidità):
- Mostrano che una volta che le singolarità sono raggiungibili, la semplificazione diventa unidirezionale.
- Dimostrano che la riscrittura sicura basata sul dominio non è transitiva: una catena di semplificazioni locali sicure può fallire se composta, richiedendo una verifica passo-passo.
Teorema di Insufficienza: Dimostra che cancellare l'identità del token (rendendo la semantica cieca alla provenienza) fa collassare distinzioni cruciali che la sola definitività non può recuperare. Né la provenienza né la definitività da sole sono sufficienti; sono necessarie entrambe.
Meccanizzazione in Lean 4: Tutte le definizioni e i teoremi (143 teoremi e 45 definizioni su ~2.700 righe di codice) sono formalizzati e verificati.

4. Risultati Principali

Classificazione Positiva: Vengono identificate famiglie di riscritture sicure (es. cancellazione di token identici, sottrazione di sfondo condiviso, divisione su se stessi per intervalli positivi) e le condizioni esatte (provenienza e definitività) che le abilitano.
Separazione e Non-Collasso:
- Separazione: La semplificazione $x/x \to 1$ è sicura solo se il dominio di $x$ non include lo zero. Se include lo zero, la riscrittura è unidirezionale (da $x/x$ a $1$ è sicuro, il contrario no).
- Non-collasso: Esistono espressioni che sono "la stessa funzione" sul loro dominio comune (es. $x/x$ e $(x-1)/(x-1)$ ) ma non possono sostituirsi a vicenda perché i loro domini ammissibili sono incomparabili (escludono punti diversi).
Insufficienza della Provenienza Cieca: Un sistema che ignora i token non può distinguere tra casi in cui la riscrittura è sicura e casi in cui non lo è, anche se tiene conto dei domini.

5. Significato e Implicazioni

Il lavoro ha un impatto significativo sulla teoria della riscrittura e sulla verifica formale di sistemi scientifici:

Superamento dell'Algebra Classica: Dimostra che l'uguaglianza matematica standard è insufficiente per la semplificazione di espressioni con misure. La struttura delle singolarità e la provenienza dei dati sono componenti semantici essenziali.
Sicurezza nei Sistemi Scientifici: Fornisce un fondamento teorico per ottimizzatori simbolici sicuri in contesti scientifici, dove la sostituzione di un'espressione con un'altra "algebricamente equivalente" potrebbe introdurre errori di definizione o perdere informazioni sulla dipendenza dei dati.
Integrazione di Provenienza e Definizione: Il quadro unificato mostra che provenienza e definitività sono assi ortogonali e necessari. Ignorarne uno porta a classificazioni di riscrittura errate.
Certificazione Formale: La completa formalizzazione in Lean 4 offre una certificazione semantica senza ambiguità, catturando errori di ragionamento sul dominio che sarebbero difficili da individuare in trattazioni informali.

In sintesi, il paper stabilisce che per un sistema di riscrittura sicuro su dati misurati, è necessario un modello semantico che tracci esplicitamente chi ha generato i dati (provenienza/token) e dove le operazioni sono valide (dominio ammissibile/definitività).