AI×経営戦略2026年10月19日読了約5分

依存グラフ検索が定理証明AIの精度を引き上げ

保存

Lean 4向けの依存グラフ検索「LeanGraphSearch」が、補題の検索精度と証明成功率を既存手法より高めた。論理の検証を要する業務へのAI適用で、検索設計が鍵となることを示す。

研究の概要

UCLAなどの研究チームは、形式的定理証明のための検索手法「LeanGraphSearch」を提案した。形式的定理証明とは、数学的主張を機械が検証できる形式で証明する技術であり、証明支援系Lean 4と数学ライブラリMathlibが代表的な基盤である。証明を組み立てるAIは、膨大な既存の定理や補題から必要なものを探し出す必要がある。

従来の検索は、対象の定理や証明途中の状態と文面が似た宣言を探す方式が中心であった。しかし実際の証明では、見た目は似ていないが関連問題の証明で繰り返し使われる補題が必要になる。論文はこの点に着目し、宣言同士の多段の依存関係を検索に活用した。

結果として、検索ベンチマークMathlibQRでは最強の比較手法LeanSearch v2に対し、再現率が最大12%向上した。MathlibMPRでは、注釈付きの証明経路を完全に網羅する割合が最大3.7%分増えた。さらに、Leanの検証結果を受けて修正を繰り返す証明ループに組み込んだ評価では、3つのベンチマークで8、16、32回の反省ターン時の成功率が、検索なしの基本構成より最大40%、LeanSearch v2より最大10%高まった。精度とコストの効率も良好であると報告されている。

しくみをやさしく

手法は三段階で構成される。第一に、Mathlibの各宣言について「どの前提を使って証明されているか」という前向きの依存関係を結び、巨大なグラフを作る。論文や規程集で言えば、各条文が参照している別の条文を線で結んだ地図に当たる。

第二に、まず文面の意味が近い宣言を従来型の検索で見つけ、それを起点にグラフ上で関連度を伝播させる。グラフ型のランキングアルゴリズムを用い、起点が依存している宣言へ点数を波及させる。これにより、文面は似ていないが土台として必要な補題が候補に浮上する。

第三に、広げた候補群を元の問い合わせに照らして再順位付けする。広げすぎによる雑音を抑えるための工程である。要するに、似ているものを探したうえで、それが頼っている根拠まで芋づる式にたどり、最後に絞り込む設計である。

ビジネスへの示唆

この考え方は数学に限らない。たとえば法務部門では、契約書の条項が別の条項や社内規程、法令を参照している。審査担当者が一つの条項の可否を判断するとき、文面が似た過去事例だけでなく、参照先の根拠まで揃えることが必要になる。自部署で「根拠を芋づる式に辿る作業」を誰がどれだけ手作業で行っているかが、適用可否を測る問いとなる。

影響が見込まれる部署と指標は次のとおりである。

法務・コンプライアンス部門：条項審査の所要時間、参照漏れによる差し戻し件数
製造業の品質保証部門：仕様書や規格間の整合確認の工数、設計変更時の確認漏れ
ソフトウェア開発部門：コードレビューの指摘事項、依存ライブラリ変更時の影響調査時間
金融のモデル検証部門：規制要件と社内手順の対応付けにかかる手間

とりわけ半導体設計やソフトウェア検証など、形式検証を実務で使う領域では、証明の自動化が直接的に品質保証のコスト構造に関わる。ただし本論文の評価対象は数学ライブラリであり、他業務での効果は未検証である点には留意が必要である。

現場での導入イメージ

仮に導入支援に入るなら、次の流れを想定する。

棚卸し：参照関係をたどる作業が多い業務を洗い出す。条項確認、仕様の整合チェック、影響調査などで、担当者が複数の文書を行き来している箇所を可視化する。目指す到達点は、検索で見つからず時間を要している業務の特定である。
差し込み先の設計：新しいツールを増やさず、既存の社内検索やRAGに「参照関係のリスト」を加える形を優先する。文書内の引用や参照番号から依存グラフを作り、既存の検索結果を起点に参照先へ関連度を広げる。目指す到達点は、現行の操作を変えずに候補の網羅性が上がる状態である。
小さく試す：一部署、数週間の範囲で実施する。担当者が過去案件で必要だった根拠を検索がどれだけ拾えたか、実感ベースで確かめる。小さく安く始められ、手作業の探索の手間を減らせる可能性を見る段階である。目指す到達点は、現場が有用と判断できる基準の確立である。
運用と横展開：参照関係の更新ルールと評価基準を整え、他部署へ広げる。目指す到達点は、文書改訂のたびにグラフが保守され、検索品質が維持される運用である。

全体として目指すのは、担当者が根拠探しに費やす時間を判断そのものに振り向けられる状態である。