この論文は、大きな言語モデル（LLM）という人工知能の技術を使って、複雑な推論や証明という問題を解く方法について書かれています。

LLMは、自然言語という人間が話す言葉で、質問に答えたり、文章を作ったりすることができます。

しかし、LLMは、直接的な推論や証明だけではなく、間接的な推論や証明も必要な問題に対処するのが苦手です。

直接的な推論や証明とは、与えられた事実やルールから、答えや結論にたどり着くことです。

間接的な推論や証明とは、与えられた事実やルールとは逆のことを仮定して、それが矛盾することを示すことです。

例えば、次のような問題を考えてみましょう。

事実：ボブは仕事に車で行きません。

ルール：天気が良ければ、ボブは仕事に車で行きます。

質問：天気は良いですか？

この問題を直接的に推論や証明しようとすると、答えにたどり着くことができません。

なぜなら、天気が良くないときに、ボブが仕事に車で行くかどうかは分からないからです。

しかし、この問題を間接的に推論や証明しようとすると、答えにたどり着くことができます。

まず、質問の逆のことを仮定してみます。

つまり、天気は良いとします。

すると、ルールによって、ボブは仕事に車で行くことになります。

しかし、これは事実と矛盾します。

なぜなら、ボブは仕事に車で行かないということが分かっているからです。

したがって、仮定したことが間違っているということが分かります。

つまり、天気は良くないということが分かります。

これが、間接的な推論や証明の例です。

この論文では、LLMに間接的な推論や証明の方法を教えるために、特別なプロンプトというものを使っています。

プロンプトとは、LLMに何かをさせるために与える入力のことです。

例えば、質問や指示や例などがプロンプトになります。

この論文では、プロンプトに、間接的な推論や証明に必要な論理の法則や手順を書いて、LLMにそれに従って答えや結論を導くように促しています。

この方法は、簡単で効果的で、既存の直接的な推論や証明の方法と組み合わせることもできます。

この論文では、間接的な推論や証明の方法が、LLMの推論能力を大幅に向上させることを実験で示しています。

この論文の主な貢献は、以下のようにまとめられます。

１．間接的な推論や証明の方法を、LLMの推論過程に導入しました。

２．間接的な推論や証明を実現するためのプロンプトのテンプレートを作成しました。

このテンプレートは、データの前処理や間接的な推論過程で、論理の法則をLLMに教えるのに役立ちます。

３．実験の結果、提案した間接的な推論や証明の方法は、既存の直接的な推論や証明の方法よりも、多くの問題で優れた性能を示しました。

さらに、提案した方法と既存の方法を組み合わせると、LLMの推論能力がさらに向上しました。