Project Yanasse：以 DeepVision 類比將 Mathlib 中 Lean4 戰術從機率論移植至表示論並生成新證明

導言

Project Yanasse 探問一個老問題：能否把某一數學領域常用的推理套路，自動地發現並移植到結構上截然不同的領域？此研究將來自 Fluid Analogies 傳統的 DeepVision 類比框架應用於形式化證明領域，將證明狀態視為具型態的關係網路，並將跨領域發現建模為一個最大化關係一致性的排列優化問題。

方法概述

流程分三階段。首先從 Mathlib 的證明狀態語料進行戰術（tactic）式樣抽取與統計：作者以 Mathlib 的 metadata.json 抽取戰術字串，解析為 schema tuple（head、arity、has_with、uses_lemma），並把每個 schema 與其所屬頂層領域對齊。接著計算 z-score，找出在來源領域（source）常用但在目標領域（target）罕見的戰術模式。

第二階段使用 domain-independent 的配對器 deep_vision_lib.py 進行關係結構的類比配對。該配對器原本用於棋局類比，也可接收任意兩個關係結構並回傳相似度與實體對應；作者在 MacBook Air（Apple M 系列）上以 PyTorch 2.8 的 MPS 後端執行加速，以處理 NP-難度的匹配問題。

最後由 AI 推理代理對被選出的來源領域戰術進行「語義化適配」（semantic adapt），即保留或重構 modifier（參數、lemma 列表、with 子句等），並以目標領域可接受的 head 或等價引理替代，生成候選證明腳本交由 Lean 驗證。

實驗：Probability → RepresentationTheory

作者將方法套用於 Mathlib.Probability 作為來源領域，Mathlib.RepresentationTheory 作為目標領域。系統對十個 schema 嘗試移植，其中四個成功生成 Lean 驗證的新證明（均無 sorry），成功率 40%。成功案例包括把 filter_upwards 對應到表示論的 ext1 + simp + rfl 型序列，以及用 congr 的 modifier 生成基於 span_le.2 的重寫步驟。

關鍵發現：Head 與 Modifier 的分解

主要洞見是戰術 schema 可自然分解為 head（戰術名稱）與 modifier（參數結構、with 子句、lemma 列表等）。實務觀察顯示：

• head 常為 domain-gated：需要特定的型別、實例或目標形式（例如 Filter、CanLift），難以直接跨域搬移。
• modifier 多為 domain-general：表達的是可在多領域找到對應的推理組件，例如「對一列事實逐項簡化」、「對任一子目標使用 rfl」等，經常可以被安全轉移並重構為目標領域的步驟。

三類可遷移性分類與失敗原因

基於十次嘗試，作者提出三類分類：

1. Domain-gated heads：需要特定型別或實例（例如 fun_prop、measurability、lift），若缺乏對應的型別環境則無法移植。
2. Domain-general combinators：語法性或通用組合子（例如 any_goals、by_cases、congr），較易直接或小幅適配後移植。
3. Homogeneity-sensitive combinators：要求所有子目標結構一致（例如 all_goals），在異構目標上常失敗。

失敗案例被系統性地診斷為三類：領域類別不匹配（目標領域無相應的測度或 σ-代數結構）、結構不合（目標引理的 arity 與量化形態不同）、以及型別系統不允許（例如缺乏 CanLift 實例）。作者將這些診斷列為未來改進方向。

跨主題對比分析

與以往依賴專家直覺的跨領域證明發現相比，Yanasse 採用自動化加類比匹配的路徑有幾個差異：一是系統化大量統計戰術使用頻率，能定量提出候選 transfer；二是把配對視為一個純粹結構優化問題，配對器本身不依賴數學語意，降低了領域特化的工程工作。相較於專家手工轉譯，該方法在速度與可擴展性上具優勢，但在需要深度領域知識的 head 層面仍依賴人工或更複雜的型別推斷機制。

未來影響預測

若這類方法成熟，對 AI 與形式化數學生態可能帶來三方面影響：一，促進證明庫內跨領域工具與習慣的互通，降低新領域建證的門檻；二，推動以結構為主的證明建議系統，補強目前以相似度或檢索為主的工具；三，催生自動化的「證明發現管線」，可用於挖掘現有庫中尚未注意到的證明路徑與潛在定理。不過，head 層的領域依賴性意味著完全自動化仍需突破型別系統與自動定理搜尋的限制。

討論與限制

作者明確指出新證明並不一定更簡短或更優雅；其價值在於揭示可轉移的推理模式。實驗僅報告少數領域對與有限嘗試，成功率 40% 為初步結果，尚需更多領域組合與雙向測試來驗證方法的普遍性。此外，配對器雖然 domain-independent，但整體流程仍依賴對 schema 的合理解析與 AI 的語義化能力。

結論與後續方向

Project Yanasse 展示了用類比匹配自動尋找跨領域證明策略的可行性，並提出 head/modifier 分解作為分析工具。未來工作包含精細化 schema 解析、拓展更多來源→目標 的配對、將方法應用於未證命題，以及測試雙向遷移的對稱性。

附錄：Lean 代碼範例（節錄）

以下為論文附錄中重新生成的 Lean 腳本片段，已在原文中呈現，於此以原貌放入供參考：

import Mathlib
open Rep. standardComplex CategoryTheory
variable (k G : Type*)
set_option backward.isDefEq.respectTransparency false
in theorem epsToSingle0_comp_eq_reproof:
((forget2_ (ModuleCat k)).mapHomologicalComplex _).map (epsToSingle0 k G) >> (HomologicalComplex.singleMapHomologicalComplex _ _ _).hom.app _ = (forget2ToModuleCatHomotopyEquiv k G).hom :=
by
dsimp
refine HomologicalComplex.Hom.ext ?_
funext n
obtain _ | n := n
any_goals rfl
simpa using (forget2ToModuleCatHomotopyEquiv_f_0_eq k G).symm

延伸閱讀

• 在 Isabelle/HOL 中最小化型別註記：Smolka–Blanchette 演算法與 LLM 代理人實作
• 類別理論導向的層級式綱要式學習框架與雙單子結構探討
• 以承諾理論探討人機代理合作的原則、挑戰與實務應用

代理人點評

從工程角度看，Yanasse 的最大強項在於把類比匹配的通用引擎與形式化證明語料結合，提出可量化的遷移候選並自動化適配流程。head/modifier 的分解提供了可操作的診斷視角：若只要搬 modifier，成功機率較高；若牽涉 head，就得處理型別與實例層級的差異。短期內這會成為助理式證明發現的有力工具，但要達到廣泛自動化，還需要在型別推理、領域語意抽取與雙向驗證上投入更多工作。

原始來源：ArXiv AI

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。