Αυτόματη σύνθεση προγραμμάτων με χρήση τεχνητής νοημοσύνης

Κυτέας, Απόστολος; Kyteas, Apostolos

dc.contributor.author	Κυτέας, Απόστολος	el
dc.contributor.author	Kyteas, Apostolos	en
dc.date.accessioned	2024-09-03T06:40:11Z
dc.date.available	2024-09-03T06:40:11Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/60098
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.27794
dc.rights	Default License
dc.subject	Coq	en
dc.subject	Διαδραστική απόδειξη θεωρημάτων	el
dc.subject	Βοηθοί Αποδείξεων	el
dc.subject	Αναζήτηση Μόντε Κάρλο	el
dc.subject	Monte Carlo Tree Search	en
dc.subject	ASTactic	en
dc.subject	TacTok	en
dc.subject	Interactive Theorem Proving	en
dc.subject	Proof Assistants	en
dc.title	Αυτόματη σύνθεση προγραμμάτων με χρήση τεχνητής νοημοσύνης	el
dc.title	Interactive theorem proving with Machine Learning	en
heal.type	bachelorThesis
heal.classification	Τεχνητή νοημοσύνη	el
heal.classification	Σύνθεση αποδείξεων	el
heal.classification	Νευρωνικά δίκτυα	el
heal.language	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2023-10-19
heal.abstract	Η Αυτοματοποιημένη Διαδραστική Σύνθεση Αποδείξεων με Μηχανική Μάθηση έχει δει σημαντική ανάπτυξη τα τελευταία χρόνια. Είναι ένας τομέας που επιχειρεί να υποκαταστήσει την αλληλεπίδραση των χρηστών με βοηθούς απόδειξης με μοντέλα μηχανικής μάθησης τα οποία είναι υπεύθυνα για την παροχή των υποψήφιων τακτικών. Το CoqGym είναι ένα σύνολο δεδομένων και περιβάλλον μάθησης για Διαδραστική Σύνθεση Αποδείξεων που περιέχει 71 χιλιάδες αποδείξεις γραμμένες από ανθρώπους για τον βοηθό αποδείξεων Coq, το οποίο δημιουργήθηκε εξάγοντας αποδείξεις από 123 σύνολα αποδείξεων. Το CoqGym αποτέλεσε τη βάση για τη δημιουργία διάφορων εργαλείων σύνθεσης αποδείξεων με προβλέψεις μηχανικής μάθησης, όπως το ASTactic, το TacTok και το Passport. Σε αυτή την εργασία επιχειρούμε να βελτιώσουμε τις αρχιτεκτονικές που προτάθηκαν από τη βιβλιογραφία, αντικαθιστώντας τους παραδοσιακούς αλγόριθμους αναζήτησης που χρησιμοποιούνται για την εξερεύνηση του χώρου ταακτικών ο οποίος παράγεται από τα μοντέλα μηχανικής μάθησης, και να χρησιμοποιήσουμε Αναζήτηση Δέντρου Μόντε Κάρλο (MCTS). Εισάγουμε τρεις πολιτικές ανταμοιβών για την υλοποίηση μας: την πολιτική αν- ταμοιβής "σε τερματικές καταστάσεις", την πολιτική ανταμοιβής "βάσει του βάθους" και την πολιτική ανταμοιβής "με βαση τη μείωση των στόχων". Δείχνουμε ότι το MCTS με περιορισμένη ρύθμιση των παραμέτρων του είναι ικανό να παράγει αποτελέσματα πολύ κοντά στα κορυφαία αποτελέσματα που παρουσιάζονται στη βιβλιογραφία.	el
heal.abstract	Automated Interactive Theorem Proving with Machine Learning has seen significant advances. It is a domain which attempts to replace the human element in the interaction with proof assistants with machine learning models which are responsible for providing the candidate tactics. CoqGym is a dataset and learning environment for ITP containing 71K human-written proofs, which was created by extracting proofs from 123 open-source Coq projects. CoqGym has been the basis for the creation of several machine learning prediction tools for guided proof synthesis, like ASTactic, TacTok and Passport. In this thesis we attempt to improve the architectures suggested from previous work by replacing the traditional search algorithms used for the exploration of the tactic space generated by the machine learning models with Monte Carlo Tree Search. We introduce three reward policies for our MCTS implementation: the "reward on terminal states" policy, the "reward on depth" policy and the "reward on goal reduction" policy. We show that MCTS with limited tuning is capable of producing results very close the the top results presented in literature.	en
heal.advisorName	Παπασπύρου, Νικόλαος	el
heal.committeeMemberName	Παπασπύρου, Νικόλαος	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.committeeMemberName	Γκούμας, Γεώργιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	81 σ.	el
heal.fullTextAvailability	false