[논문리뷰] Lean Refactor: Multi-Objective Controllable Proof Optimization via Agentic Strategy Search

링크: 논문 PDF로 바로 열기

저자: Jialin Lu, Soonho Kong, Rodrigo Stehling, Kaiyu Yang, Zhangyang Wang, Weiran Sun, Wuyang Chen

1. Key Terms & Definitions (핵심 용어 및 정의)

• Lean Refactor: Lean 4 증명(proof)을 최적화하기 위해 제안된 검색 증강(retrieval-augmented) 에이전트 프레임워크입니다.
• Strategy Bank: 증명 최적화 전략이 저장된 구조화된 데이터베이스로, 각 전략은 컴파일 비용 감소 및 버전 호환성 등의 메타데이터로 주석(annotation)되어 있습니다.
• Multi-Objective Retrieval: 증명 길이, 컴파일 비용, 버전 호환성 등 사용자가 지정한 다양한 목적(objective)에 맞춰 전략을 검색하고 재순위화(reranking)하는 기법입니다.
• Lean/Mathlib Version Drift: Lean 4 및 Mathlib 라이브러리의 빠른 릴리스 주기 때문에 발생하는 버전 불일치 문제로, 최신 LLM의 학습 시점 이후에 변경된 API나 tactics가 포함되어 발생하는 오류를 지칭합니다.

2. Motivation & Problem Statement (연구 배경 및 문제 정의)

본 논문은 LLM이 생성한 Lean 4 증명이 정답은 맞추지만, 지나치게 장황하고 특정 버전의 라이브러리에 취약하다는 점을 해결하고자 합니다 [Figure 2]. 기존 연구는 주로 증명 길이를 줄이는 단일 목적에 집중하거나, 개별 모델의 재학습(fine-tuning)을 통해 최적화를 시도하여 모델의 빠른 업데이트 주기에 대응하지 못하는 한계가 있습니다 [Figure 3]. 또한, 실제 연구 수준의 Lean 프로젝트는 복잡한 의존성 구조를 가지며, 일반적인 수학 경시대회 벤치마크와는 구조적 차이가 커서 기존 최적화 방식으로는 충분한 성능을 내기 어렵습니다. 이에 본 연구는 모델 재학습 없이 추론 시점에 검색 기반으로 제어 가능한 최적화를 수행하는 방법론을 제안합니다.

3. Method & Key Results (제안 방법론 및 핵심 결과)

본 논문은 20만 개 이상의 long-short 증명 쌍에서 추출한 9천여 개의 전략을 포함하는 데이터베이스를 기반으로 작동하는 검색 증강 에이전트를 제안합니다 [Figure 4]. 이 에이전트는 플래너(Planner), 리팩터러(Refactorer), 디버거(Debugger)로 구성되어 있으며, 모든 단계는 frozen 상태의 LLM을 활용하여 모델에 구애받지 않는(agnostic) 환경을 제공합니다. 사용자는 추론 시점에 증명 길이 단축, 컴파일 타임 최적화, 특정 버전 호환성 중 우선순위를 정할 수 있으며, 시스템은 메타데이터 기반의 검색 규칙을 적용하여 해당 목적에 최적화된 전략을 동적으로 필터링합니다 [Figure 5].

Figure 4 — Lean Refactor 전체 아키텍처

Figure 5 — 목적 기반 검색 및 재순위화 프로세스

실험 결과, 제안 방법론은 miniF2F 벤치마크에서 기존 방식 대비 70% 이상의 토큰 수준 압축 성능을 보였으며, 연구 수준의 코드베이스에서는 20% 이상의 압축률과 30% 이상의 컴파일 타임 감소를 달성하였습니다 [Table 4]. 특히, 특정 Lean 버전에 대한 호환성을 필터링할 경우 증명 생성의 안정성이 유의미하게 향상되었으며, 제안된 프레임워크는 Gemini, Claude, GPT 시리즈 등 다양한 백본 모델에서도 일관된 성능 우위를 확인하였습니다.

4. Conclusion & Impact (결론 및 시사점)

본 논문은 Lean 4 증명 리팩토링의 핵심을 증명 길이 외에도 컴파일 효율성과 버전 호환성을 포함하는 다목적 제어 문제로 재정의하고, 이를 해결하는 검색 기반 에이전트 프레임워크를 성공적으로 제안하였습니다. 본 연구의 결과는 형식적 수학 증명(formal proof)의 유지보수성을 극적으로 높여줄 뿐만 아니라, 빠르게 변화하는 소프트웨어 생태계에서 LLM이 정적인 지식을 넘어 동적인 라이브러리 업데이트에 적응할 수 있는 새로운 아키텍처를 제시했다는 점에서 학계 및 산업계에 큰 시사점을 줍니다.

Figure 1 — Lean Refactor의 다목적 제어 개념도

⚠️ 알림: 이 리뷰는 AI로 작성되었습니다.