De certificering van real-time systemen is essentieel om te garanderen dat kritieke taken binnen strikte tijdslimieten worden voltooid. Dit proces rust traditioneel op zogenaamde 'schedulability analysis'. Lange tijd werden deze analyses echter handmatig op papier uitgewerkt, een methode die volgens een publicatie op arxiv.org problematisch is vanwege de beperkte schaalbaarheid en de complexiteit bij het valideren en onderhouden van de bewijzen.
Om de onbetrouwbaarheid van handmatige methoden te vermijden, wordt steeds vaker gekeken naar gemechaniseerde verificatie via PROSA/ROCQ. Hoewel deze aanpak een rigoureus en nauwkeuriger alternatief biedt, vormt de implementatie een grote uitdaging. Het opstellen van dergelijke bewijzen vereist namelijk een zeer gespecialiseerde domeinkennis en een intensieve inspanning op het gebied van 'proof-engineering'.
Hoewel grote taalmodellen (LLM's) potentie bieden om dit proces te versnellen, blijken standaardmodellen vaak ontoereikend. Ze missen de specifieke expertise over PROSA die nodig is om modelabstracties en bewijspatronen correct toe te passen. Om dit kennisgat te dichten, hebben onderzoekers Sadat Shahriyar, Shareef Ahmed en Abdullah Al Arafat het raamwerk PROVE-RT ontwikkeld. Dit systeem is specifiek ontworpen om PROSA/ROCQ-scripts te genereren voor de mechanisering van schedulability-analyses, zoals beschreven in de .
In plaats van eenvoudige prompts maakt PROVE-RT gebruik van een gestructureerde, gefaseerde aanpak. Het proces begint met het genereren van informele schetsen die rekening houden met afhankelijkheden. Vervolgens haalt het systeem relevante informatie op uit bewerkte PROSA-documentatie, waarna er in verschillende stappen een basisstructuur (skeleton) wordt opgebouwd. In de laatste fase wordt het volledige bewijs voltooid.
Voor de training en validatie van dit raamwerk is een omvangrijk corpus samengesteld. Dit bestand bestaat uit 1.191 wetenschappelijke artikelen over real-time systemen, waarin in totaal 13.134 informele schetsen met bijbehorende afhankelijkheidsinformatie zijn opgenomen. Deze data vormen de basis voor de optimalisatie van het systeem, zoals uiteengezet in de .
De resultaten van de evaluatie tonen een aanzienlijk verschil aan tussen directe interactie met LLM's en het gebruik van PROVE-RT. Waar moderne taalmodellen via directe prompting er niet in slaagden om consistent geldige PROSA-mechanisaties te produceren, behaalde het nieuwe raamwerk een succespercentage van 44,7%. Dit bewijst dat een combinatie van retrieval-gestuurde assistentie en een stapsgewijze aanpak de automatisering van complexe bewijzen aanzienlijk verbetert.
Het onderzoek, dat op 13 augustus 2026 is ingediend, wijst op een nieuwe route naar een efficiëntere certificering van kritieke systemen. Hoewel algemene digitale hulpmiddelen zoals google.de geen technische rol spelen in dit specifieke onderzoek, illustreert de ontwikkeling van PROVE-RT de groeiende impact van kunstmatige intelligentie binnen de computerwetenschappen.