近日，一篇發表在arXiv上的論文提出了NeuroNL2LTL，這是一個神經符號框架，旨在將自然語言（NL）高效翻譯為線性時序邏輯（LTL）。LTL是一種廣泛應用於形式驗證的形式邏輯，但傳統上需要專業知識和手動編寫，限制了其在安全關鍵系統開發中的普及。
現有方法存在明顯權衡：基於模板的方法可靠但表達力有限；純神經網絡方法流暢但缺乏正確性保證。NeuroNL2LTL創新性地將神經翻譯與形式驗證結合起來，通過一個保持結構映射的中間表示來路由翻譯過程。生成的LTL規約會自動接受可滿足性和非平凡性檢查，如果輸出接近正確但存在微小錯誤，系統會採用最小編輯修復機制進行修正，避免錯誤傳播到下游工具。
該框架的核心創新在於“驗證器在環訓練”：將驗證結果作為強化學習的獎勵信號，驅動神經組件直接優化形式正確性。這意味着神經網絡不再僅僅追求語義相似性，而是學會生成能被驗證工具接受的有效規約。
實驗基於超過20萬條需求，覆蓋航空航天、機器人、自動駕駛以及另外十個領域。結果顯示，NeuroNL2LTL生成的規約與參考規約的語義等價率達到28%，且86%的輸出被驗證為可滿足。此外，系統還能從LTL生成上下文相關的解釋，幫助領域專家無需專門培訓即可驗證規約的準確性。
這項研究由Paapa Kwesi Quansah等人完成，論文於2026年5月20日提交。通過將形式驗證作為神經規約系統的訓練目標和運行時過濾器，NeuroNL2LTL展示瞭如何構建可靠性源於邏輯保證而非統計置信度的神經工具。這為安全關鍵系統中自然語言驅動的形式驗證鋪平了道路，有望降低形式方法的應用門檻，並促進其在航空航天、機器人、自動駕駛等需要高可靠性的領域的廣泛採用。