We extend Natural Deduction for intuitionistic logic with a third introduction rule for the disjunction, $\vee$-i3, with a conclusion $\Gamma\vdash A\vee B$, but both premises $\Gamma\vdash A$ and $\Gamma\vdash B$. This rule is admissible in Natural Deduction. This extension is interesting in several respects. First, it permits to solve a well-known problem in logics with interstitial rules that have a weak introduction property: closed cut-free proofs end with an introduction rule, except in the case of disjunctions. With this new introduction rule, we recover the strong introduction property: closed cut-free proofs always end with an introduction. Second, the termination proof of this proof system is simpler than that of the usual propositional Natural Deduction with interstitial rules, as it does not require the use of the so-called ultra-reduction rules. Third, this proof system, in its linear version, has applications to quantum computing: the $\vee$-i3 rule enables the expression of quantum measurement, without the cost of introducing a new connective. Finally, even in logics without interstitial rules, the rule $\vee$-i3 is useful to reduce commuting cuts, although, in this paper, we leave the termination of such reduction as an open problem.


翻译:我们为直觉主义逻辑的自然演绎系统扩展了第三个析取引入规则,记为 $\vee$-i3,其结论为 $\Gamma\vdash A\vee B$,但两个前提均为 $\Gamma\vdash A$ 和 $\Gamma\vdash B$。该规则在自然演绎系统中是可采纳的。这一扩展在多个方面具有重要意义。首先,它解决了具有弱引入性质的间隙规则逻辑系统中的一个著名问题:封闭的无切割证明以引入规则结束,但析取情形除外。通过这一新引入规则,我们恢复了强引入性质:封闭的无切割证明始终以引入规则结束。其次,该证明系统的终止性证明比带有间隙规则的常规命题自然演绎系统更简单,因为它不需要使用所谓的超归约规则。第三,该证明系统的线性版本在量子计算中具有应用:$\vee$-i3 规则能够表达量子测量,而无需引入新联结词的成本。最后,即使在无间隙规则的逻辑系统中,$\vee$-i3 规则也有助于减少交换切割,尽管在本文中,我们将此类归约的终止性问题留作开放问题。

0
下载
关闭预览

相关内容

【ACL2020】多模态信息抽取,365页ppt
专知会员服务
151+阅读 · 2020年7月6日
强化学习最新教程,17页pdf
专知会员服务
182+阅读 · 2019年10月11日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
41+阅读 · 2019年10月9日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
概率图模型体系:HMM、MEMM、CRF
机器学习研究会
30+阅读 · 2018年2月10日
CNN 反向传播算法推导
统计学习与视觉计算组
30+阅读 · 2017年12月29日
Layer Normalization原理及其TensorFlow实现
深度学习每日摘要
32+阅读 · 2017年6月17日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
Arxiv
69+阅读 · 2022年9月7日
Arxiv
16+阅读 · 2022年5月17日
Arxiv
18+阅读 · 2021年3月16日
Recent advances in deep learning theory
Arxiv
50+阅读 · 2020年12月20日
VIP会员
相关VIP内容
【ACL2020】多模态信息抽取,365页ppt
专知会员服务
151+阅读 · 2020年7月6日
强化学习最新教程,17页pdf
专知会员服务
182+阅读 · 2019年10月11日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
41+阅读 · 2019年10月9日
相关资讯
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
概率图模型体系:HMM、MEMM、CRF
机器学习研究会
30+阅读 · 2018年2月10日
CNN 反向传播算法推导
统计学习与视觉计算组
30+阅读 · 2017年12月29日
Layer Normalization原理及其TensorFlow实现
深度学习每日摘要
32+阅读 · 2017年6月17日
相关论文
Arxiv
69+阅读 · 2022年9月7日
Arxiv
16+阅读 · 2022年5月17日
Arxiv
18+阅读 · 2021年3月16日
Recent advances in deep learning theory
Arxiv
50+阅读 · 2020年12月20日
相关基金
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
Top
微信扫码咨询专知VIP会员