LeanProgress: 인공지능 기반 수학 정리 증명의 새로운 지평을 열다

LeanProgress는 LLM과 형식적 증명 보조 도구 Lean을 결합하여 증명 진행 상황을 예측하는 기술로, 데이터 불균형 문제 해결을 위한 전처리 기법과 함께 75.1%의 예측 정확도를 달성했습니다. Reprover와의 통합을 통해 Mathlib4에서 기존 대비 3.8% 향상된 성능을 보이며 수학 정리 증명의 효율성을 높였습니다.

AI가 수학 정리 증명의 난제를 풀다: LeanProgress의 놀라운 성과

최근, 수학적 추론 분야에서 인공지능의 활약이 두드러지고 있습니다. 특히 대규모 언어 모델(LLM)은 방대한 데이터를 학습하여 복잡한 문제를 해결하는 능력을 보여주고 있지만, 여전히 '환각(hallucination)' 현상으로 인해 정확성이 떨어지는 한계를 가지고 있습니다. 이는 특히 공식적인 증명을 요구하는 수학 정리 증명에서 치명적인 약점으로 작용합니다.

하지만 이러한 한계를 극복하기 위해 등장한 것이 바로 LeanProgress 입니다. Suozhi Huang, Peiyang Song, Robert Joseph George, Anima Anandkumar 등 연구진이 개발한 이 방법은 Lean이라는 형식적 증명 보조 도구와 LLM을 결합하여 증명 진행 상황을 예측하는 혁신적인 기술입니다. LeanProgress는 단순히 정리를 증명하는 것을 넘어, 증명 과정 자체의 효율성을 높이는 데 초점을 맞추고 있습니다.

기존의 LLM 기반 정리 증명 시스템은 증명 과정의 전체적인 진행 상황을 파악하는 데 어려움을 겪었습니다. 이는 마치 미궁 속에서 길을 잃은 것과 같아, 특히 복잡하고 긴 증명 과정에서는 효율성이 크게 떨어지는 원인이 되었습니다. LeanProgress는 이러한 문제를 해결하기 위해 방대한 Lean 증명 데이터(Lean Workbook Plus와 Mathlib4)를 기반으로 훈련되었습니다. 하지만, 증명 길이 분포가 치우친 데이터셋의 특징을 고려하여 데이터 전처리 및 균형 조정 기법을 적용하여 모델의 정확도를 높였습니다.

그 결과 LeanProgress는 증명 진행률 및 남은 단계 수 예측에서 무려 **75.1%**의 정확도를 달성했습니다! 더 나아가, Reprover라는 최적 우선 탐색 프레임워크에 통합하여 Mathlib4 데이터셋에서 기존 성능(41.2%) 대비 3.8% 향상된 결과를 보였습니다. 이는 특히 긴 증명 과정에서 더욱 두드러지는 성과입니다.

이러한 성과는 증명 진행률 예측이 자동화 및 대화형 정리 증명 모두에 큰 도움을 준다는 것을 보여줍니다. LeanProgress는 사용자가 보다 효율적인 증명 전략을 세우도록 지원하여 수학적 발견의 속도를 높이는 데 크게 기여할 것으로 기대됩니다. 이는 앞으로 인공지능이 수학 연구에 활용되는 방식에 대한 새로운 패러다임을 제시하는 중요한 사건입니다. 수학의 세계에 인공지능이 가져올 변화가 더욱 기대되는 시점입니다.