Neuer Ansatz für Quantoreninstantiierungen: Lernen aus bestehenden Techniken

Ein neues arXiv‑Veröffentlichungsdokument präsentiert einen innovativen Ansatz, der die Herausforderung von quantifizierten Formeln in Satisfiability Modulo Theories (SMT) Solver adressiert. Quantoren stellen seit jeher ein Hindernis dar, weil ihre Entscheidbarkeit grundsätzlich unentscheidbar ist.

Der vorgestellte Ansatz kombiniert die Stärken etablierter Instantiationsmethoden – wie e‑Matching, syntax‑guided, model‑based, conflict‑based und enumerative Verfahren – zu einem dynamischen Lernsystem. Während des Lösungsprozesses werden beobachtete Instantiationen als Stichproben aus einer latenten Sprache betrachtet.

Durch den Einsatz probabilistischer kontextfreier Grammatiken erzeugt das System neue, ähnliche Terme. Dabei wird nicht nur auf erfolgreiche Vorgänge zurückgegriffen, sondern auch gezielt Vielfalt erzeugt, indem die erlernten Termwahrscheinlichkeiten invertiert werden. Dieses Vorgehen strebt ein ausgewogenes Verhältnis zwischen Ausnutzung bewährter Instantiierungen und Erkundung neuer Möglichkeiten an.

Der Ansatz verspricht, die Effizienz von SMT‑Solvern zu steigern, indem er die Lernfähigkeit aus bestehenden Techniken nutzt und gleichzeitig die Flexibilität erhöht, um komplexe Quantorenprobleme zu lösen.