Yanasse：从深度视觉的类比中发现新证明（第一部分）

Yanasse项目提出一种方法，通过从结构上相距遥远的数学领域迁移证明策略模式（如Lean 4战术调用模式），来发现某一数学领域中定理的新证明。该系统提取Mathlib 27个顶级领域的战术使用分布（217,133个证明状态），计算z分数以识别在源领域被大量使用而在目标领域罕见或不存在的战术，通过GPU加速的NP难类比匹配（在MacBook Air上经Apple的MPS后端运行）来匹配源与目标证明状态，然后让一个AI推理智能体将源战术调用模式在语义上适配——而非符号替换——到目标定理。在本研究的第一部分中，该方法被应用于“概率论 -> 表示论”这一配对，在10次尝试中产出4个经Lean验证的新证明（40%）。这些证明编译通过且零sorry声明。关键发现是战术模式可分解为头部（受领域门控，很少迁移）与修饰符（领域通用，常可迁移）：filter upwards的头部在表示论中失败（不存在Filter结构），但其“[LIST] with ω”修饰符可干净地迁移为ext1 + simp [LIST] + rfl。至关重要的是，底层匹配引擎deep vision lib.py完全与领域无关：同一段针对NP难匹配的优化代码既能按类比匹配国际象棋局面，也能按类比匹配Lean证明状态，而无须知道它正在处理哪个领域。只有关系提取器是领域特定的。