Skip to main content
Przejdź do strony domowej Komisji Europejskiej (odnośnik otworzy się w nowym oknie)
polski pl
CORDIS - Wyniki badań wspieranych przez UE
CORDIS

MaxSAT-Based Misbehaviour Verification and Localisation Framework for Python

Opis projektu

Logika wykrywania błędów

Debugowanie jest często najdroższym i najbardziej czasochłonnym etapem tworzenia oprogramowania. Wciąż jednak brakuje niezawodnych, zautomatyzowanych narzędzi dla języka Python. Zespół projektu Sherlock4Py, realizowanego przy wsparciu z działań „Maria Skłodowska-Curie”, tworzy nowe środowisko służące do wykrywania i lokalizowania błędów w kodzie w języku Python. Dostosowując techniki pierwotnie zaprojektowane dla języka C, badacze wykorzystują sprawdzanie modeli ograniczonych oraz skalowalne algorytmy MaxSAT do analizy struktury kodu w języku Python. Ponadto ich celem jest integracja rozumowania symbolicznego z dużymi modelami językowymi za pomocą pętli syntezy indukcyjnej. Podejście to ma na celu poprawę dokładności wykrywania błędów i stworzenie nowych możliwości dla bardziej niezawodnej automatycznej naprawy programów w kluczowych dziedzinach, takich jak sztuczna inteligencja i nauka o danych.

Cel

Debugging remains one of the most costly and time-consuming phases of software development. Formula-based fault localisation (FBFL), which leverages bounded model checking and logical reasoning through Maximum Satisfiability (MaxSAT), to identify faulty program statements, has shown strong potential for languages such as C, but remains under-explored for Python, which is the dominant language in artificial intelligence, data science, and education.

The aim of this project is to design and implement Sherlock4Py, a MaxSAT-based misbehaviour verification and localisation framework for Python. First, Sherlock4Py will implement FBFL to Python by incorporating bounded model checking with ESBMC-Python, and will develop scalable MaxSAT algorithms tailored to program-derived formulas. These algorithms will exploit structural features of Python, such as loop iterations and branching constructs, to achieve greater scalability and more precise diagnoses than existing approaches. Second, Sherlock4Py will demonstrate the synergy between FBFL and Large Language Models (LLMs) by embedding MaxSAT-based bug localisation into counterexample-guided inductive synthesis (CEGIS) loops, thereby enabling LLMs to synthesise and repair faulty Python programs more reliably, with greater accuracy and efficiency.

By bridging Automated Reasoning and Machine Learning, Sherlock4Py will advance the state of the art in both MaxSAT-based fault localisation and trustworthy AI. The project is ambitious in delivering the first MaxSAT-based toolchain for Python, advancing MaxSAT algorithms with program-specific heuristics, and integrating symbolic verification with LLM-driven code synthesis. The expected outcome is a step change in software reliability, with direct benefits for AI research, software engineering practice, and computer science education.

Dziedzina nauki (EuroSciVoc)

Słowa kluczowe

Program(-y)

Temat(-y)

System finansowania

HORIZON-TMA-MSCA-PF-EF - HORIZON TMA MSCA Postdoctoral Fellowships - European Fellowships

Wyświetl wszystkie projekty finansowane w ramach tego programu finansowania

Zaproszenie do składania wniosków

(odnośnik otworzy się w nowym oknie) HORIZON-MSCA-2025-PF

Wyświetl wszystkie projekty finansowane w ramach tego zaproszenia

Koordynator

AGENCIA ESTATAL CONSEJO SUPERIOR DE INVESTIGACIONES CIENTIFICAS
Wkład UE netto
€ 194 074,56
Koszt całkowity
Brak danych