في عالم الذكاء الاصطناعي والبرمجة، تُعتبر أداة LRAT-Catcher أحدث إضافة مبهرة تعيد تعريف كيفية التعامل مع المشكلات combinatorial باستخدام SAT solvers. تقدم هذه الأداة، التي صممت بشكل يمكنها من استيراد شهادات LRAT من صيغ DIMACS، طريقة مبتكرة لإدخال هذه الشهادات إلى بيئة Lean4 كمفاهيم نظرية.

تعمل LRAT-Catcher على تشغيل مدقق LRAT الموثق من Lean core باستخدام كود أصلي مجمع عبر تقنية الانعكاس (Reflection). هذا الأسلوب يتيح لها معالجة النماذج حيث تستهلك عملية استيراد مصطلحات الإثبات الخاصة بـ Mathlib ذاكرة كبيرة للغاية. وليس هذا فحسب، بل تسمح LRAT-Catcher بإجراء عمليات حل cube-and-conquer بالكامل ضمن بيئة Lean.

تجمع الأداة بين الإثباتات الخاصة بكل نوع من الرفض مع شهادة تغطية كاملة، والتي هي نفسها إثبات LRAT، في نظرية عدم الرضا الواحدة. ومن خلال الترميز الموثق، يتم ربط النتائج على مستوى CNF بالمسائل الرياضية الأصلية.

لتقييم كفاءة الأداة، تم اختبارها مقابل استيراد مصطلحات الإثبات الخاص بـ Mathlib وفاحص خارجي مثل cake_lpr، وأظهرت نتائج مبهرة في إثبات الأرقام Schur S(4)=44 وRamsey R(4,4)=18 كنظريات في Lean.