일반적으로 기계화하려는 수학이 더 추상적 / 이국적 일수록 더 쉽게 얻을 수 있습니다. 반대로 수학이 구체적이고 친숙할수록 어려워집니다. 예를 들어 예측 포인트없는 토폴로지와 같은 희귀 동물은 일반 메트릭 토폴로지보다 기계화가 훨씬 쉽습니다.
이것은 처음에는 조금 놀라운 것처럼 보일 수 있지만 이것은 기본적으로 실수와 같은 구체적인 물체가 다양한 대수적 구조에 참여하기 때문에 그것들과 관련된 증거는 모든 관점에서 모든 속성을 사용할 수 있기 때문입니다. 따라서 수학자들이 익숙한 일반적인 추론을하려면 이러한 모든 것을 기계화해야합니다. 대조적으로, 고도로 추상적 인 구조는 (고의적으로) 작고 제한된 속성 세트를 가지므로, 좋은 비트에 도달하기 전에 훨씬 적게 기계화해야합니다.
복잡성 이론 및 알고리즘 / 데이터 구조의 증명은 원칙적으로 숫자, 트리 또는 목록과 같은 간단한 가제트의 정교한 속성을 사용하는 경향이 있습니다. 예를 들어, 조합론, 확률론 및 수 이론적 논증은 복잡한 이론의 이론에서 일상적으로 동시에 나타난다. 이 작업을 수행 할 수있는 시점까지 교정 보조 라이브러리 지원을받는 것은 많은 작업입니다!
사람들이 작업에 기꺼이 참여할 수있는 상황 중 하나는 암호화 알고리즘입니다. 복잡한 수학적 이유 때문에 매우 미묘한 알고리즘 제약 조건이 있으며, 암호 코드는 적대적인 환경에서 실행되기 때문에 아주 작은 오류조차도 비참 할 수 있습니다. 예를 들어, Certicrypt 프로젝트 는 암호화 알고리즘의 정확성에 대한 기계 확인 증거를 구축하기 위해 많은 검증 인프라를 구축했습니다.