مقدمة: لماذا ربط LLMs بمساعدي البراهين الآن؟
تقدّم نماذج اللغة الكبيرة (LLMs) إمكانية تحويل وصفٍ رياضيّ مكتوبٍ باللغة الطبيعية إلى مسودات صياغات رسمية (autoformalization) أو اقتراحات للحلول التكتيكية. تطوّر هذا المجال خلال السنوات القليلة الماضية مدفوعاً بمجموعات بيانات متخصّصة، أدوات تكميلية، وأطر عمل تجريبية تُظهِر أن النماذج قادرة على إنتاج هياكل براهين تساعد المبرمج/الباحث على التسريع. نتائج أبحاث سابقة مثل GPT‑f وأوراق مسح حديثة تُبرز إمكانات ملموسة وتحديات أساسية في الدقّة والتحقّق.
هذا المقال يقدّم سير عمل عملي ومُختبَر (من كتابة البيان إلى التحقق في Lean4 أو Coq)، مع نصائح لبناء حوارات (prompts) فعالة، أدوات تكامل، واستراتيجيات للتحقق والتكرار المستمر.
سير العمل العملي خطوة بخطوة
- صياغة البيان الرياضي بلغةٍ واضحة ومقسّمة: قسّم البيان إلى تعريفات، فرضيات، ونتائج فرعية. اجعل كل عبارة قصيرة وواضحة—هذا يسهل على النموذج إنتاج تكتيكات أو تعاريف مناسبة.
- اختيار الاستراتيجية: مباشرة إلى تكتيكات أم عبر تمثيل وسيط؟ يمكنك طلب من الـLLM إنتاج نصِّ تكتيكيّ (مثلاً سطر/أسطر في لغة التكتيكات لـCoq أو Lean) أو تمثيل وسيط (مثل صياغة مسودة برمجية بلغة قريبة من اللغة الرسمية ثم تحويلها). مشاريع وخبرات عملية تُظهِر أن التحويل المرحلي (نص طبيعي → مسودة صريحة → تكتيكات) يقلّل من الأخطاء الصريحة.
- تصميم الحوارات (Prompts) وقواعد العيّنة (few‑shot): أعطِ للنموذج أمثلة قصيرة: البيان الطبيعي، ثم الترجمة المرغوبة إلى تعريف/قضية بلغة Lean4/Coq. احتوِ على أمثلة مع توضيح الأخطاء الشائعة وطرق إصلاحها؛ هذا يزيد احتمالية الخرج الصحيح.
- استخدام النموذج لإنشاء مسودّة إثبات: اطلب من النموذج توليد هيكل إثبات (skeleton) مع تكتيكات واضحة أو اقتراحات للـlemmas اللازمة. اجعل الخرج مقسَّماً إلى خطوات مرقمة لتسهيل التتبّع والتصحيح التلقائي.
- التكامل مع الأدوات والـPlugins: بعد الحصول على مسودة، اختبرها داخل بيئة Lean4/Coq محلية. استخدم أدوات تكامل مثل CoqHammer/Tactician أو مكوّنات جديدة مثل CoqPilot لملء فجوات الإثبات أو لاقتراح تحسينات على التاكتيكات؛ تقارير تجريبية أظهرت أن مزيجاً من الأساليب (LLM + أدوات تقليدية) يحسّن معدّلات النجاح.
- دورة تصحيح تكرارية (LLM-in-the-loop): عندما يفشل إثبات ما، بنِ رسالة خطأ قصيرة عيِّن بها مكان الخطأ واطلب من النموذج اقتراح تصحيحات أو تبسيط المسألة. كرر هذه الدورة مع إلحاق مخرجات المحقّق (error traces) داخل الحوارات لتحسين جودة الاقتراحات.
- التحقق الآلي والـCI: أدرج خطوات التحقق في خط بناء (CI) للمستودع — اختبار أن الملفّات تُجمّع وتُثبت آلياً بعد كل تعديل. سجّل الإصدارات واحتفظ بنقاط مرجعية (checkpoints) للمشاريع التجريبية.
نصائح عملية، أخطاء شائعة، ومقاييس جودة
نصائح عملية
- ابدأ بالملاحظات والـlemmas الصغيرة بدلاً من الجري مباشرةً إلى نظرية كبيرة.
- استخدم نماذج مُدَرَّبة أو مخصّصة على سورس Coq/Lean إن أمكن؛ مجموعات بيانات متخصّصة حسّنت أداء التوليد في تجارب حديثة.
- احفظ تاريخ الحوارات (prompts + outputs) لتتمكن من إعادة إنتاج تجارب التدريب أو التقييم.
- قائمة تحقق للتسليم: تعريفات مُعلّمة، استدعاءات المكتبات الصحيحة، لِسنَر (imports) واضحة، وعدم الاعتماد على admit/sorry إلا مؤقتاً.
أخطاء شائعة وكيفية التعامل معها
- النموذج يولّد تعابير لغوية صحيحة لكنّها غير قابلة للترجمة: حلّها بتبسيط البيان أو بإدخال مثالٍ عددي يدخل في الحجة.
- اقتراحات تكتيكية جزئية أو غير متسقة: اطلب من النموذج شرحاً خطوة بخطوة لكل تكتيك، أو استخرج فقط البنية (skeleton) ثم املأ التفاصيل يدوياً.
مقاييس جودة مقترحة
قِس الجودة عبر عدة محاور: معدل نجاح التجميع/التحقّق في المرة الأولى، عدد التكرارات اللازمة، طول إثباتات النموذج مقابل طول إثباتات بشرية معيارية، ونسبة الحالات التي تحتاج تدخل إنساني لإصلاح خطأ. أوراق المسح والأبحاث حول الاستدلال الموجّه تُقدم إطاراً لقياس هذه المقاييس.
مثال عملي صغير (Coq)
مثال توضيحي لمدخل سريع: بيان بسيط بلغة طبيعية ثم اقتراح Coq مُختصر:
// بيان باللغة الطبيعية:
"إذا كان n عددًا صحيحًا موجبًا، فإن n^2 غير سالب."
// مسودة Coq (مثال اختباري):
Lemma square_nonneg (n : Z) : 0 <= n * n.
Proof.
destruct (Z.le_ge_cases 0 n) as [H|H];
[apply Z.mul_nonneg_pos; lia |
rewrite Z.mul_comm; apply Z.mul_nonneg_pos; lia].
Qed.يمكن للـLLM اقتراح مسودات مماثلة ثم يُتحقق منها داخل بيئة Coq ويدوَّن أي أخطاء لتغذية دورة التصحيح.
خاتمة وموارد للمتابعة
الاتجاهات البحثية والتجريبية الأخيرة تُظهر أن دمج LLMs مع مساعدي البراهين يُنتج قفزات عملية في الإنتاجية، لكن يبقى التحدّي الرئيسي هو ضمان صدقية النتائج وإثباتها داخل الأنظمة الرسمية. مشاريع مثل GPT‑f أظهرت إمكانات بديلة، وتطوّرات مثل CoqPilot والجهود على الترجمة بين أنظمة الصياغة (Coq ⇄ Lean) تشير إلى نمط عمل هجين — LLM + أدوات تقليدية للتحقق. للمزيد من القراءة والتثبيت: اطلع على أعمال المسح والتجارب العملية المذكورة أدناه.
مصادر مختارة للقراءة والتجربة
- ورقة GPT‑f (التوليد اللغوي لأتمتة البراهين).
- CoqPilot — مكوّنات لاختبار ملء فجوات الإثبات باستخدام LLMs.
- تدوينة تجريبة حول الترجمة بين Coq وLean ونتائج autoformalization.
- مراجعات ومسوح حديثة حول استخدام LLMs في الاستدلال الرياضي والبرهنة الآلية.
إذا رغبت، أستطيع توليد أمثلة حية (prompts جاهزة) باللغة العربية أو الإنجليزية، أو إعداد ملفّات بدءٍ (starter files) لـLean4/Coq بناءً على بيان رياضي محدَّد تقدمه أنت.