🔬
TorchLean：在 Lean 形式化神經網路
TorchLean 是 Lean 4 框架，將神經網路視為一等數學物件，統一執行與驗證。它提供驗證過的 PyTorch 風格 API、明確 Float32 語義，以及 IBP/CROWN 風格邊界傳播。在認證穩健性、PINNs 和神經控制器上驗證，並包含機械化定理。
Search
Tag: #formal-verification43 results
📰
Z3 與 Lean 驗證更快的 INT4 點積技巧
一個專案利用基於 Z3 的反例引導歸納式合成，找出可計算 8 個封裝 INT4 點積元素的無分支 SWAR 位元技巧。產生的實作再透過 Lean 4 的完整位元向量推理進行形式驗證，不再只依賴隨機測試。
位置不變屬性的測試與驗證差異
本研究探討了函數與分佈中位置不變屬性在測試與驗證之間的理論差異。研究指出，在測試中觀察到的緊密關係並未延伸至驗證情境中。
數學證明形式化中的人機協作工作流程
本研究分析了數學家如何將 AI 整合至證明形式化的工作流程中。研究顯示，儘管偏好各異，但在使用者保持對發現過程的高層次控制時，AI 工具能顯著提升形式化的準確性。
連結法律解釋與形式邏輯的 AI 研究
本研究提出了一種神經符號學方法，旨在解決大型語言模型在法律實務中的可靠性問題。透過結合大型語言模型與形式驗證，該框架致力於確保法律推理過程能嚴格基於原始文本。
AWS Kiro 新增規格檢查對抗 AI 垃圾
AWS 在 Kiro AI 程式設計工具中新增規格檢查功能，使用數學證明偵測軟體需求中的矛盾或缺口。此舉在 AI 代理開始產生程式碼前對抗「AI 垃圾」。此更新正值 AI 代理可靠性備受檢視之際。
治理執行的代數語義
本文提出治理執行的代數語義，以三個治理公理建構對稱單子範疇，已在32個Rocq模組中機械化驗證（454個定理），並提取至OCaml作為BEAM的NIF，經屬性基測試驗證。關鍵成果包括能力索引組合及共終邊界定理，確保可表達性與治理一致。
AI + Lean 4 形式驗證專利主張
提出首個混合 AI + Lean 4 管道的形式化驗證專利分析框架。機器驗證 DAG 覆蓋核心，並形式化自由營運、等同原則等 IP 使用案例。驗證 ML 分數後的下游計算，連接 AI 與互動定理證明。
Bedrock 自動化推理檢查提升生成式 AI 合規
機率式 AI 驗證無法滿足管制產業需求；Amazon Bedrock 中的自動化推理檢查使用形式驗證提供數學證明結果。六大產業客戶實現可審核 AI 輸出。了解實施步驟。
規格驅動 DEVS 世界模型透過 LLM
這篇 arXiv 論文提出使用 DEVS 形式化，從自然語言規格透過分階段 LLM 管線生成離散事件世界模型。方法將結構推斷與事件及時序邏輯分離，針對如排隊、具身規劃及多代理協調等環境。模型透過結構化事件追蹤對照時序與語義約束進行驗證，以確保可重現性。