💻 computer science

Work-in-Progress: A Tactic for Pattern Matching in Autosubst

Questo articolo in fase di elaborazione introduce una tattica di pattern matching automatica per Autosubst che affronta i suoi attuali limiti nel gestire regole di typing, relazioni di riduzione e soluzioni non uniche, come dimostrato attraverso valutazioni sulle sfide POPLMark e POPLMark Reloaded.

Autori originali: Mathews George (Heriot-Watt University Edinburgh), Kathrin Stark (Heriot-Watt University Edinburgh)

Pubblicato 2026-07-15

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Mathews George (Heriot-Watt University Edinburgh), Kathrin Stark (Heriot-Watt University Edinburgh)

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 cercare di risolvere un enorme puzzle magico dove ogni pezzo ha un'etichetta nascosta. Nel mondo dell'informatica, queste etichette sono chiamate "indici di De Bruijn". Sono un modo ingegnoso per tenere traccia delle variabili nel codice, ma sono notoriamente complicati. Immaginali come un gioco di sedie musicali dove le sedie (le variabili) continuano a cambiare nome ogni volta che qualcuno si siede. Se provi a far combaciare un pezzo del puzzle (una regola) con un buco (un obiettivo) in questo gioco, i pezzi spesso sembrano diversi anche se sono in realtà lo stesso, solo con un cappello diverso.

Per molto tempo, uno strumento chiamato Autosubst è stato l'eroe di questa storia. È come un robot super intelligente che può dirti istantaneamente se due pezzi del puzzle sono uguali, anche se le loro etichette sono state rimescolate. Lo fa usando un insieme di regole magiche (chiamate calcolo $\sigma$ ) per normalizzare i pezzi finché non appaiono identici. Se vuoi solo controllare se due cose sono uguali, questo robot è perfetto.

Il Problema: La Trappola dell' "Apply"
Tuttavia, c'è un intoppo. Quando provi a usare questi pezzi del puzzle per risolvere un problema applicando una regola (come premere il tasto "Apply" in un videogioco), il robot si blocca. È bravissimo a dire "Sì, sono uguali", ma è terribile nel dire "Ecco come incastri questa regola in questo spazio specifico".

Perché? Perché a volte una regola può adattarsi a un buco in più modi, e il robot non sa quale sia quello "giusto" senza aiuto. In passato, i programmatori umani dovevano fare il lavoro pesante. Dovevano riscrivere le loro regole in modi strani e indiretti o indovinare manualmente le etichette mancanti solo per far funzionare il robot. Era come cercare di forzare un pezzo quadrato in un buco rotondo levigando il pezzo tu stesso, invece di trovare semplicemente lo strumento giusto.

La Nuova Idea: Una Tattica di Indovinare Intelligente
Questo articolo presenta un nuovo strumento chiamato as_apply. Immaginalo come un nuovo braccio robotico, leggermente più avventuroso, progettato per afferrare quei pezzi del puzzle e provare a spingerli nei buchi, anche quando le etichette non corrispondono perfettamente a prima vista.

Invece di arrendersi o chiedere all'umano di riscrivere tutto, questa nuova tattica utilizza un insieme di euristiche (che sono fondamentalmente delle ipotesi istruite basate su schemi visti in precedenza). Guarda il buco, guarda la regola e dice: "Scommetto che se sposto queste etichette di un pochino, si incastreranno!".

Come Funziona (Il Trucco Magico)
Il processo avviene in due fasi:

Preparazione: Il robot prima pulisce i pezzi del puzzle usando le vecchie e affidabili regole di Autosubst per renderli il più ordinati possibile.
Il Gioco dell'Indovinare: Poi prova a far combaciare i pezzi. Se i pezzi non corrispondono perfettamente, non va nel panico. Invece, prova alcuni trucchi specifici:
- Controlla se la discrepanza è solo uno "spostamento" semplice (come spostare una variabile di una posizione).
- Controlla se il pezzo mancante è solo un' "identità" (non fare nulla).
- Cerca schemi comuni che di solito accadono in questi puzzle.

Se una di queste ipotesi funziona, riempie le etichette mancanti e va avanti. Se fallisce, torna indietro (backtracking) e prova un'altra ipotesi.

Cosa Dice il Paper (e Cosa Non Dice)
Gli autori sono molto attenti a non esagerare con l'entusiasmo. Ammettono che questo non è un bastone magico che risolve ogni possibile puzzle.

Non è perfetto: Il paper afferma esplicitamente che a volte un puzzle potrebbe avere molteplici soluzioni, e questo robot potrebbe scegliere quella sbagliata. È possibile costruire un esempio complicato in cui il robot indovina male, anche se esiste una risposta corretta.
È un "Lavoro in Corso": Gli autori descrivono questo come un metodo "in corso di sviluppo". Non pretendono di aver risolto l'intera teoria dell'abbinamento per sempre.
I Risultati: Hanno testato questa nuova tattica su due sfide famose e difficili chiamate POPLMark e POPLMark Reloaded. Queste sono come le "Olimpiadi" per dimostrare le cose riguardanti i linguaggi di programmazione.
- Nel challenge POPLMark (642 righe di codice), hanno usato la nuova tattica 15 volte.
- Nel challenge POPLMark Reloaded (683 righe di codice), l'hanno usata 10 volte.
- In ognuno di questi casi, la tattica ha risolto con successo l'obiettivo.

Il Verdetto
L'articolo suggerisce che, sebbene questa nuova tattica abbia dei limiti teorici (potrebbe confondersi con puzzle molto strani e avversariali), funziona sorprendentemente bene nel mondo reale. Permette ai programmatori di smettere di riscrivere le loro regole in modi strani e indiretti e di scriverle in modo naturale.

Gli autori sono speranzosi ma cauti. Suggeriscono che questo approccio potrebbe sostituire il vecchio e macchinoso modo di fare le cose in molti casi pratici, ma sanno che c'è ancora lavoro da fare per garantire che il robot non faccia mai, e proprio mai, l'errore di scegliere la soluzione sbagliata. Stanno attualmente lavorando per capire esattamente quali tipi di puzzle questo robot può risolvere con il 100% di certezza, e quali potrebbero ancora richiedere un controllo umano.

In breve: è uno strumento nuovo, intelligente e utile, che rende molto più facile il lavoro disordinoso di far combaciare i pezzi del puzzle, anche se non è ancora pronto per essere l'unico strumento nella cassetta degli attrezzi.

Sintesi Tecnica: Una Tattica per il Pattern Matching in Autosubst

Problema
Il documento affronta un limite specifico nel framework Autosubst, un generatore di codice per l'assistente alla dimostrazione Rocq (precedentemente Coq) che automatizza il ragionamento su termini de Bruijn e sostituzione tramite il $\sigma$ -calcolo. Sebbene Autosubst automatizzi con successo il controllo di uguaglianza per obiettivi privi di assunzioni tramite la tattica asimpl, esso fallisce quando gli utenti tentano di applicare assunzioni (ad esempio, regole di tipizzazione o lemmi) a un obiettivo tramite tattiche standard come apply o eapply.

In questi scenari, l'utente deve unificare un obiettivo con un'assunzione modulo $\sigma$ -equivalenza. Tuttavia, l'automazione di Autosubst non è progettata per il matching contro le assunzioni. Di conseguenza, gli utenti sono costretti a ricorrere a laboriosi workaround, quali:

Formulare regole in forme indirette (utilizzando meta-variabili fresche invece di termini di sostituzione diretti).
Introdurre lemmi ausiliari per colmare il divario tra l'obiettivo e l'assunzione.
Trasformare manualmente gli obiettivi o istanziare esplicitamente variabili esistenziali durante le dimostrazioni.

La difficoltà principale risiede nel fatto che il $\sigma$ -matching (matching modulo $\sigma$ -equivalenza) non è unico; un singolo problema di matching può ammettere molteplici soluzioni, non tutte le quali soddisfano i premesse del contesto. Inoltre, il matching del secondo ordine per il pieno $\lambda\sigma$ -calcolo è indecidibile e, anche in assenza di $\beta$ -riduzione, le soluzioni non sono necessariamente uniche.

Metodologia
Gli autori propongono una tattica euristica, attualmente in fase di sviluppo (work-in-progress), chiamata as_apply, implementata nel linguaggio Ltac di Rocq, per automatizzare il pattern matching modulo $\sigma$ -equivalenza. La tattica opera in due fasi primarie:

Preprocessing:
- Sia l'obiettivo che la conclusione dell'assunzione target vengono normalizzati rispetto al $\sigma$ -calcolo utilizzando l'esistente tattica asimpl.
- Le variabili quantificate nell'assunzione vengono sostituite con variabili esistenziali (evars).
- Le premesse dell'assunzione vengono convertite in sottogiobi da risolvere dopo la fase di matching.
- La tattica gestisce le conversioni tra operazioni di rinomina esplicita (es. $s\langle\xi\rangle$ ) e operazioni di istanziazione ( $s[\xi]$ ) utilizzando substify e renamify.
Fase di Matching:
- La tattica costruisce un insieme di equazioni di matching $M = \{s_i =_\sigma t_i\}$ tra i termini dell'obiettivo e i termini istanziati dell'assunzione.
- Elabora le equazioni da sinistra a destra utilizzando una procedura parziale, $\sigma_{min}$ , che tenta di effettuare il matching modulo il frammento $\sigma_{min}$ (un sottoinsieme di regole $\sigma$ che caratterizzano l'istanziazione e la composizionalità).
- Euristiche: Se $\sigma_{min}$ $σ_{min}$ fallisce nel trovare un match, la tattica applica un insieme di euristiche che catturano schemi comuni nei sviluppi formali. Queste includono:
  - Gestione di equazioni della forma $s[t \cdot \sigma] =_\sigma ?s[t \cdot id]$ istanziando l'incognita con una sostituzione elevata ( $?s \mapsto s[\Uparrow\sigma]$ ).
  - Gestione di casi che coinvolgono sostituzioni identità o strutture di variabili specifiche.
- Dopo l'applicazione delle sostituzioni, la tattica rinormalizza l'assunzione. Il successo è determinato se l'obiettivo e l'assunzione diventano sintatticamente uguali.

La tattica è stata generalizzata per supportare l'intero linguaggio di input del compilatore Autosubst, inclusi molteplici sort mutuamente induttivi, sostituzioni di vettori e ridenominazioni di primo ordine.

Contributi Chiave

Introduzione di as_apply: Una tattica euristica progettata per sostituire apply/eapply negli sviluppi basati su Autosubst, consentendo il matching modulo $\sigma$ -equivalenza in presenza di assunzioni.
Generalizzazione: Estensione della logica di matching per coprire l'intera sintassi supportata da Autosubst, inclusi binder complessi e operazioni di ridenominazione.
Valutazione Empirica: Applicazione della tattica a benchmark standard, specificamente le sfide POPLMark e POPLMark Reloaded.

Risultati
Gli autori hanno valutato as_apply sulle soluzioni delle sfide POPLMark (642 righe) e POPLMark Reloaded (683 righe).

Frequenza d'uso: La tattica è stata utilizzata 15 volte nella soluzione POPLMark B e 10 volte nella soluzione POPLMark Reloaded.
Efficacia: In tutti i casi testati, as_apply ha risolto con successo gli obiettivi previsti.
Semplificazione: L'uso della tattica ha eliminato la necessità di formulazioni di regole indirette, lemmi ausiliari e trasformazioni manuali degli obiettivi che caratterizzavano le soluzioni precedenti.
Limitazioni: Gli autori riconoscono che as_apply non è $\sigma$ -completa e non è un decisore. Poiché il $\sigma$ -matching può avere molteplici soluzioni, la natura euristica della tattica significa che potrebbe teoricamente selezionare una soluzione errata quando ne esiste una corretta, sebbene non siano stati osservati tali fallimenti nei casi di studio.

Significatività e Rivendicazioni
Il documento sostiene che, sebbene il problema teorico del $\sigma$ -matching sia intrinsecamente difficile (soluzioni non univoche, indecidibilità nel pieno $\lambda\sigma$ ), un approccio pragmatico ed euristico può recuperare un alto livello di automazione nella pratica. La significatività risiede nella riduzione dell'onere manuale per gli utenti che lavorano con la sintassi de Bruijn, permettendo loro di dichiarare regole di tipizzazione e lemmi nelle loro forme dirette e naturali piuttosto che in forme indirette adattate ai limiti del motore di unificazione dell'assistente alla dimostrazione.

Gli autori rimangono modesti riguardo allo stato attuale del lavoro, definendolo "Work-in-Progress". Notano che l'attuale tattica si affida a euristiche a causa del potenziale di soluzioni infinite o multiple. Il lavoro futuro mira a identificare il più grande frammento $\sigma'$ per il quale vale un criterio di unicità, portando potenzialmente a una tattica di matching con garanzie provate.

Articoli simili