b23d1a74efb87fabd5bda7a89ce16e9f3406a9d0
[lambda.git] / week2.mdwn
1 [[!toc]]
2
3
4 Syntactic equality, reduction, convertibility
5 =============================================
6
7 Define T to be `(\x. x y) z`. Then T and `(\x. x y) z` are syntactically equal, and we're counting them as syntactically equal to `(\z. z y) z` as well, which we will write as:
8
9 <pre><code>T &equiv; (\x. x y) z &equiv; (\z. z y) z
10 </code></pre>
11
12 [Fussy note: the justification for counting `(\x. x y) z` as
13 equivalent to `(\z. z y) z` is that when a lambda binds a set of
14 occurrences, it doesn't matter which variable serves to carry out the
15 binding.  Either way, the function does the same thing and means the
16 same thing.  Look in the standard treatments for discussions of alpha
17 equivalence for more detail.]
18
19 This:
20
21         T ~~> z y
22
23 means that T beta-reduces to `z y`. This:
24
25         M <~~> T
26
27 means that M and T are beta-convertible, that is, that there's something they both reduce to in zero or more steps.
28
29 Combinators and Combinatorial Logic
30 ===================================
31
32 Lambda expressions that have no free variables are known as **combinators**. Here are some common ones:
33
34 >       **I** is defined to be `\x x`
35
36 >       **K** is defined to be `\x y. x`. That is, it throws away its
37            second argument. So `K x` is a constant function from any
38            (further) argument to `x`. ("K" for "constant".) Compare K
39            to our definition of `true`.
40
41 >       **get-first** was our function for extracting the first element of an ordered pair: `\fst snd. fst`. Compare this to K and `true` as well.
42
43 >       **get-second** was our function for extracting the second element of an ordered pair: `\fst snd. snd`. Compare this to our definition of `false`.
44
45 >       **B** is defined to be: `\f g x. f (g x)`. (So `B f g` is the composition `\x. f (g x)` of `f` and `g`.)
46
47 >   **C** is defined to be: `\f x y. f y x`. (So `C f` is a function like `f` except it expects its first two arguments in swapped order.)
48
49 >   **W** is defined to be: `\f x . f x x`. (So `W f` accepts one argument and gives it to `f` twice. What is the meaning of `W multiply`?)
50
51 >       **&omega;** (that is, lower-case omega) is defined to be: `\x. x x`
52
53 It's possible to build a logical system equally powerful as the lambda calculus (and readily intertranslatable with it) using just combinators, considered as atomic operations. Such a language doesn't have any variables in it: not just no free variables, but no variables at all.
54
55 One can do that with a very spare set of basic combinators. These days the standard base is just three combinators: K and I from above, and also one more, **S**, which behaves the same as the lambda expression  `\f g x. f x (g x)`. behaves. But it's possible to be even more minimalistic, and get by with only a single combinator. (And there are different single-combinator bases you can choose.)
56
57 There are some well-known linguistic applications of Combinatory
58 Logic, due to Anna Szabolcsi, Mark Steedman, and Pauline Jacobson.
59 Szabolcsi supposed that the meanings of certain expressions could be
60 insightfully expressed in the form of combinators.
61
62
63 For instance, Szabolcsi argues that reflexive pronouns are argument
64 duplicators.
65
66 ![reflexive](http://lambda.jimpryor.net/szabolcsi-reflexive.jpg)
67
68 Notice that the semantic value of *himself* is exactly `W`.
69 The reflexive pronoun in direct object position combines first with the transitive verb (through compositional magic we won't go into here).  The result is an intransitive verb phrase that takes a subject argument, duplicates that argument, and feeds the two copies to the transitive verb meaning.  
70
71 Note that `W <~~> S(CI)`:
72
73 <pre><code>S(CI) &equiv;
74 S((\fxy.fyx)(\x.x)) ~~>
75 S(\xy.(\x.x)yx) ~~>
76 S(\xy.yx) &equiv;
77 (\fgx.fx(gx))(\xy.yx) ~~>
78 \gx.(\xy.yx)x(gx) ~~>
79 \gx.(gx)x &equiv;
80 W</code></pre>
81
82 Ok, here comes a shift in thinking.  Instead of defining combinators as equivalent to certain lambda terms,
83 we can define combinators by what they do.  If we have the I combinator followed by any expression X, 
84 I will take that expression as its argument and return that same expression as the result.  In pictures,
85
86     IX ~~> X
87
88 Thinking of this as a reduction rule, we can perform the following computation
89
90     II(IX) ~~> IIX ~~> IX ~~> X
91
92 The reduction rule for K is also straightforward:
93
94     KXY ~~> X
95
96 That is, K throws away its second argument.  The reduction rule for S can be constructed by examining 
97 the defining lambda term:
98
99     S = \fgx.fx(gx)
100
101 S takes three arguments, duplicates the third argument, and feeds one copy to the first argument and the second copy to the second argument.  So:
102
103     SFGX ~~> FX(GX)
104
105 If the meaning of a function is nothing more than how it behaves with respect to its arguments, 
106 these reduction rules capture the behavior of the combinators S, K, and I completely.
107 We can use these rules to compute without resorting to beta reduction.  For instance, we can show how the I combinator is equivalent to a certain crafty combination of Ss and Ks:
108
109     SKKX ~~> KX(KX) ~~> X
110
111 So the combinator `SKK` is equivalent to the combinator I.
112
113 Combinatory Logic is what you have when you choose a set of combinators and regulate their behavior with a set of reduction rules.  The most common system uses S, K, and I as defined here.
114
115 ###The equivalence of the untyped lambda calculus and combinatory logic###
116
117 We've claimed that Combinatory Logic is equivalent to the lambda calculus.  If that's so, then S, K, and I must be enough to accomplish any computational task imaginable.  Actually, S and K must suffice, since we've just seen that we can simulate I using only S and K.  In order to get an intuition about what it takes to be Turing complete, imagine what a text editor does:
118 it transforms any arbitrary text into any other arbitrary text.  The way it does this is by deleting, copying, and reordering characters.  We've already seen that K deletes its second argument, so we have deletion covered.  S duplicates and reorders, so we have some reason to hope that S and K are enough to define arbitrary functions.  
119
120 We've already established that the behavior of combinatory terms can be perfectly mimicked by lambda terms: just replace each combinator with its equivalent lambda term, i.e., replace I with `\x.x`, replace K with `\fxy.x`, and replace S with `\fgx.fx(gx)`.  How about the other direction?  Here is a method for converting an arbitrary lambda term into an equivalent Combinatory Logic term using only S, K, and I.  Besides the intrinsic beauty of this mapping, and the importance of what it says about the nature of binding and computation, it is possible to hear an echo of computing with continuations in this conversion strategy (though you would be able to hear these echos until we've covered a considerable portion of the rest of the course).
121
122 Assume that for any lambda term T, [T] is the equivalent combinatory logic term.  The we can define the [.] mapping as follows:
123
124      1. [a]               a
125      2. [(M N)]           ([M][N])
126      3. [\a.a]            I
127      4. [\a.M]            KM                 assumption: a does not occur free in M
128      5. [\a.(M N)]        S[\a.M][\a.N]
129      6. [\a\b.M]          [\a[\b.M]]
130
131 It's easy to understand these rules based on what S, K and I do.  The first rule says 
132 that variables are mapped to themselves.
133 The second rule says that the way to translate an application is to translate the 
134 first element and the second element separately.
135 The third rule should be obvious.
136 The fourth rule should also be fairly self-evident: since what a lambda term such as `\x.y` does it throw away its first argument and return `y`, that's exactly what the combinatory logic translation should do.  And indeed, `Ky` is a function that throws away its argument and returns `y`.
137 The fifth rule deals with an abstract whose body is an application: the S combinator takes its next argument (which will fill the role of the original variable a) and copies it, feeding one copy to the translation of \a.M, and the other copy to the translation of \a.N.  Finally, the last rule says that if the body of an abstract is itself an abstract, translate the inner abstract first, and then do the outermost.  (Since the translation of [\b.M] will not have any lambdas in it, we can be sure that we won't end up applying rule 6 again in an infinite loop.)
138
139 [Fussy notes: if the original lambda term has free variables in it, so will the combinatory logic translation.  Feel free to worry about this, though you should be confident that it makes sense.  You should also convince yourself that if the original lambda term contains no free variables---i.e., is a combinator---then the translation will consist only of S, K, and I (plus parentheses).  One other detail: this translation algorithm builds expressions that combine lambdas with combinators.  For instance, the translation of `\x.\y.y` is `[\x[\y.y]] = [\x.I] = KI`.  In that intermediate stage, we have `\x.I`.  It's possible to avoid this, but it takes some careful thought.  See, e.g., Barendregt 1984, page 156.]
140
141 Here's an example of the translation:
142
143     [\x\y.yx] = [\x[\y.yx]] = [\x.S[\y.y][\y.x]] = [\x.(SI)(Kx)] = S[\x.SI][\x.Kx] = S(K(SI))(S[\x.K][\x.x]) = S(K(SI))(S(KK)I)
144
145 We can test this translation by seeing if it behaves like the original lambda term does.
146 The orginal lambda term lifts its first argument (think of it as reversing the order of its two arguments):
147
148    S(K(SI))(S(KK)I) X Y =
149    (K(SI))X ((S(KK)I) X) Y = 
150    SI ((KK)X (IX)) Y = 
151    SI (KX) Y =
152    IY (KX)Y =
153    Y X
154
155 Viola: the combinator takes any X and Y as arguments, and returns Y applied to X.
156
157 Back to linguistic applications: one consequence of the equivalence between the lambda calculus and combinatory 
158 logic is that anything that can be done by binding variables can just as well be done with combinators.
159 This has given rise to a style of semantic analysis called Variable Free Semantics (in addition to 
160 Szabolcsi's papers, see, for instance,
161 Pauline Jacobson's 1999 *Linguistics and Philosophy* paper, `Towards a variable-free Semantics').  
162 Somewhat ironically, reading strings of combinators is so difficult that most practitioners of variable-free semantics 
163 express there meanings using the lambda-calculus rather than combinatory logic; perhaps they should call their
164 enterprise Free Variable Free Semantics.
165
166 A philosophical application: Quine went through a phase in which he developed a variable free logic.
167
168   Quine, Willard. 1960.  Variables explained away.  {\it Proceedings of                                                                                                                                
169   the American Philosophical Society}.  Volume 104: 343--347.  Also in
170   W.~V.~Quine.  1960. {\it Selected Logical Papers}.  Random House: New
171   York.  227--235.
172
173 The reason this was important to Quine is similar to the worries that Jim was talking about
174 in the first class in which using non-referring expressions such as Santa Clause might commit 
175 one to believing in non-existant things.  Quine's slogan was that `to be is to be the value of a variable'.
176 What this was supposed to mean is that if and only if an object could serve as the value of some variable, we 
177 are committed to recognizing the existence of that object in our ontology.
178 Obviously, if there ARE no variables, this slogan has to be rethought.
179
180 Quine did not appear to appreciate that Shoenfinkel had already invented combinatory logic, though
181 he later wrote an introduction to Shoenfinkel's key paper reprinted in Jean
182 van Heijenoort (ed) 1967 *From Frege to Goedel,                                                                                                                               
183   a source book in mathematical logic, 1879--1931*.
184 Cresswell has also developed a variable-free approach of some philosophical and linguistic interest
185 in two books in the 1990's.
186
187 A final linguistic application: Steedman's Combinatory Categorial Grammar, where the "Combinatory" is 
188 from combinatory logic (see especially his 2000 book, *The Syntactic Process*).  Steedman attempts to build
189 a syntax/semantics interface using a small number of combinators, including T = \xy.yx, B = \fxy.f(xy),
190 and our friend S.  Steedman used Smullyan's fanciful bird 
191 names for the combinators, Thrush, Bluebird, and Starling.
192
193 Many of these combinatory logics, in particular, the SKI system, 
194 are Turing complete. In other words: every computation we know how to describe can be represented in a logical system consisting of only a single primitive operation!
195
196 Here's more to read about combinatorial logic.
197 Surely the most entertaining exposition is Smullyan's [[!wikipedia To_Mock_a_Mockingbird]].
198 Other sources include
199
200 *       [[!wikipedia Combinatory logic]] at Wikipedia
201 *       [Combinatory logic](http://plato.stanford.edu/entries/logic-combinatory/) at the Stanford Encyclopedia of Philosophy
202 *       [[!wikipedia SKI combinatory calculus]]
203 *       [[!wikipedia B,C,K,W system]]
204 *       [Chris Barker's Iota and Jot](http://semarch.linguistics.fas.nyu.edu/barker/Iota/)
205 *       Jeroen Fokker, "The Systematic Construction of a One-combinator Basis for Lambda-Terms" <cite>Formal Aspects of Computing</cite> 4 (1992), pp. 776-780.
206 <http://people.cs.uu.nl/jeroen/article/combinat/combinat.ps>
207
208
209 Evaluation Strategies and Normalization
210 =======================================
211
212 In the assignment we asked you to reduce various expressions until it wasn't possible to reduce them any further. For two of those expressions, this was impossible to do. One of them was this:
213
214         (\x. x x) (\x. x x)
215
216 As we saw above, each of the halves of this formula are the combinator <code>&omega;</code>; so this can also be written:
217
218 <pre><code>&omega; &omega;</code></pre>
219
220 This compound expression---the self-application of <code>&omega;</code>---is named &Omega;. It has the form of an application of an abstract (<code>&omega;</code>) to an argument (which also happens to be <code>&omega;</code>), so it's a redex and can be reduced. But when we reduce it, we get <code>&omega; &omega;</code> again. So there's no stage at which this expression has been reduced to a point where it can't be reduced any further. In other words, evaluation of this expression "never terminates." (This is the standard language, however it has the unfortunate connotation that evaluation is a process or operation that is performed in time. You shouldn't think of it like that. Evaluation of this expression "never terminates" in the way that the decimal expansion of &pi; never terminates. These are static, atemporal facts about their mathematical properties.)
221
222 There are infinitely many formulas in the lambda calculus that have this same property. &Omega; is the syntactically simplest of them. In our meta-theory, it's common to assign such formulas a special value, <big><code>&perp;</code></big>, pronounced "bottom." When we get to discussing types, you'll see that this value is counted as belonging to every type. To say that a formula has the bottom value means that the computation that formula represents never terminates and so doesn't evaluate to any orthodox, computed value.
223
224 From a "Fregean" or "weak Kleene" perspective, if any component of an expression fails to be evaluable (to an orthodox, computed value), then the whole expression should be unevaluable as well.
225
226 However, in some such cases it seems *we could* sensibly carry on evaluation. For instance, consider:
227
228 <pre><code>
229 (\x. y) (&omega; &omega;)
230 </code></pre>
231
232 Should we count this as unevaluable, because the reduction of <code>(&omega; &omega;)</code> never terminates? Or should we count it as evaluating to `y`?
233
234 This question highlights that there are different choices to make about how evaluation or computation proceeds. It's helpful to think of three questions in this neighborhood:
235
236 >       Q1. When arguments are complex, as <code>(&omega; &omega;)</code> is, do we reduce them before substituting them into the abstracts to which they are arguments, or later?
237
238 >       Q2. Are we allowed to reduce inside abstracts? That is, can we reduce:
239
240 >               (\x y. x z) (\x. x)
241
242 >       only this far:
243
244 >               \y. (\x. x) z
245
246 >       or can we continue reducing to:
247
248 >               \y. z
249
250 >       Q3. Are we allowed to "eta-reduce"? That is, can we reduce expressions of the form:
251
252 >               \x. M x
253
254 >       where x does not occur free in `M`, to `M`?
255
256 With regard to Q3, it should be intuitively clear that `\x. M x` and `M` will behave the same with respect to any arguments they are given. It can also be proven that no other functions can behave differently with respect to them. However, the logical system you get when eta-reduction is added to the proof theory is importantly different from the one where only beta-reduction is permitted.
257
258 MORE on extensionality
259
260 If we answer Q2 by permitting reduction inside abstracts, and we also permit eta-reduction, then where neither `y` nor `z` occur in M, this:
261
262         \x y z. M y z
263
264 will eta-reduce by two steps to:
265
266         \x. M
267
268 The evaluation strategy which answers Q1 by saying "reduce arguments first" is known as **call-by-value**. The evaluation strategy which answers Q1 by saying "substitute arguments in unreduced" is known as **call-by-name** or **call-by-need** (the difference between these has to do with efficiency, not semantics).
269
270 When one has a call-by-value strategy that also permits reduction to continue inside unapplied abstracts, that's known as "applicative order" reduction. When one has a call-by-name strategy that permits reduction inside abstracts, that's known as "normal order" reduction. Consider an expression of the form:
271
272         ((A B) (C D)) (E F)
273
274 Its syntax has the following tree:
275
276           ((A B) (C D)) (E F)
277                    /     \
278                   /       \
279         ((A B) (C D))  \
280                 /\        (E F)
281            /  \        /\
282           /    \      E  F
283         (A B) (C D)
284          /\    /\
285         /  \  /  \
286         A   B C   D
287
288 Applicative order evaluation does what's called a "post-order traversal" of the tree: that is, we always go down when we can, first to the left, and we process a node only after processing all its children. So `(C D)` gets processed before `((A B) (C D))` does, and `(E F)` gets processed before `((A B) (C D)) (E F)` does.
289
290 Normal order evaluation, on the other hand, will substitute the expresion `(C D)` into the abstract that `(A B)` evaluates to, without first trying to compute what `(C D)` evaluates to. That computation may be done later.
291
292 With normal-order evaluation (or call-by-name more generally), if we have an expression like:
293
294         (\x. y) (C D)
295
296 the computation of `(C D)` won't ever have to be performed. Instead, `(\x. y) (C D)` reduces directly to `y`. This is so even if `(C D)` is the non-evaluable <code>(&omega; &omega;)</code>!
297
298 Call-by-name evaluation is often called "lazy." Call-by-value evaluation is also often called "eager" or "strict". Some authors say these terms all have subtly different technical meanings, but I haven't been able to figure out what it is. Perhaps the technical meaning of "strict" is what I above called the "Fregean" or "weak Kleene" perspective: if any argument of a function is non-evaluable or non-normalizing, so too is the application of the function to that argument.
299
300
301 Most programming languages, including Scheme and OCaml, use the call-by-value evaluation strategy. (But they don't permit evaluation to continue inside an unappplied function.) There are techniques for making them model call-by-name evaluation, when necessary. But by default, arguments will always be evaluated before being bound to the parameters (the `\x`s) of a function.
302
303 For languages like Scheme that permit functions to take more than one argument at a time, a further question arises: whether the multiple arguments are evaluated left-to-right, or right-to-left, or nothing is guaranteed about what order they are evaluated in. Different languages make different choices about this.
304
305 Some functional programming languages, such as Haskell, use the call-by-name evaluation strategy.
306
307 The lambda calculus can be evaluated either way. You have to decide what the rules shall be.
308
309 As we'll see in several weeks, there are techniques for *forcing* call-by-value evaluation of a computation, and also techniques for forcing call-by-name evaluation. If you liked, you could even have a nested hierarchy, where blocks at each level were forced to be evaluated in alternating ways.
310
311 Call-by-value and call-by-name have different pros and cons.
312
313 One important advantage of normal-order evaluation in particular is that it can compute orthodox values for:
314
315 <pre><code>
316 (\x. y) (&omega; &omega;)<p>
317 \z. (\x. y) (&omega; &omega;)
318 </code></pre>
319
320 Indeed, it's provable that if there's *any* reduction path that delivers a value for a given expression, the normal-order evalutation strategy will terminate with that value.
321
322 An expression is said to be in **normal form** when it's not possible to perform any more reductions (not even inside abstracts).
323 There's a sense in which you *can't get anything more out of* <code>&omega; &omega;</code>, but it's not in normal form because it still has the form of a redex.
324
325 A computational system is said to be **confluent**, or to have the **Church-Rosser** or **diamond** property, if, whenever there are multiple possible evaluation paths, those that terminate always terminate in the same value. In such a system, the choice of which sub-expressions to evaluate first will only matter if some of them but not others might lead down a non-terminating path.
326
327 The untyped lambda calculus is confluent. So long as a computation terminates, it always terminates in the same way. It doesn't matter which order the sub-expressions are evaluated in.
328
329 A computational system is said to be **strongly normalizing** if every permitted evaluation path is guaranteed to terminate. The untyped lambda calculus is not strongly normalizing: <code>&omega; &omega;</code> doesn't terminate by any evaluation path; and <code>(\x. y) (&omega; &omega;)</code> terminates only by some evaluation paths but not by others.
330
331 But the untyped lambda calculus enjoys some compensation for this weakness. It's Turing complete! It can represent any computation we know how to describe. (That's the cash value of being Turing complete, not the rigorous definition. There is a rigrous definition. However, we don't know how to rigorously define "any computation we know how to describe.") And in fact, it's been proven that you can't have both. If a computational system is Turing complete, it cannot be strongly normalizing.
332
333 A computational system is said to be **weakly normalizing** if there's always guaranteed to be *at least one* evaluation path that terminates. The untyped lambda calculus is not weakly normalizing either, as we've seen.
334
335 The *typed* lambda calculus that linguists traditionally work with, on the other hand, is strongly normalizing. (And as a result, is not Turing complete.) It has expressive power (concerning types) that the untyped lambda calculus lacks, but it is also unable to represent some (terminating!) computations that the untyped lambda calculus can represent.
336
337 Other more-powerful type systems we'll look at in the course will also fail to be Turing complete, though they will turn out to be pretty powerful.
338
339 Further reading:
340
341 *       [[!wikipedia Evaluation strategy]]
342 *       [[!wikipedia Eager evaluation]]
343 *       [[!wikipedia Lazy evaluation]]
344 *       [[!wikipedia Strict programming language]]<p>
345 *       [[!wikipedia Church-Rosser theorem]]
346 *       [[!wikipedia Normalization property]]
347 *       [[!wikipedia Turing completeness]]
348
349
350 Decidability
351 ============
352
353 The question whether two formulas are syntactically equal is "decidable": we can construct a computation that's guaranteed to always give us the answer.
354
355 What about the question whether two formulas are convertible? Well, to answer that, we just need to reduce them to normal form, if possible, and check whether the results are syntactically equal. The crux is that "if possible." Some computations can't be reduced to normal form. Their evaluation paths never terminate. And if we just kept trying blindly to reduce them, our computation of what they're convertible to would also never terminate.
356
357 So it'd be handy to have some way to check in advance whether a formula has a normal form: whether there's any evaluation path for it that terminates.
358
359 Is it possible to do that? Sure, sometimes. For instance, check whether the formula is syntactically equal to &Omega;. If it is, it never terminates.
360
361 But is there any method for doing this in general---for telling, of any given computation, whether that computation would terminate? Unfortunately, there is not. Church proved this in 1936; Turing also essentially proved it at the same time. Geoff Pullum gives a very reader-friendly outline of the proofs here:
362
363 *       [Scooping the Loop Snooper](http://www.cl.cam.ac.uk/teaching/0910/CompTheory/scooping.pdf), a proof of the undecidability of the halting problem in the style of Dr Seuss by Geoffrey K. Pullum
364
365
366
367 ##[[Lists and Numbers]]##
368
369