Probabilistic Circuits for Knowledge Graph Completion with Reduced Rule Sets

تخيل أنك تحاول تعليم روبوت كيف يفهم العالم. أنت لا تكتفي بصب موسوعة ضخمة في دماغه؛ بل تعطيه مجموعة من القواعد المنطقية "إذا-إذن"، مثل "إذا كانت تمطر، إذن الأرض مبتلة". هذا هو عالم رسوم المعرفة البيانية (Knowledge Graphs)، وهي خرائط رقمية هائلة تربط الحقائق بين الأشخاص والأماكن والأشياء. الهدف من إكمال رسم المعرفة البياني (Knowledge Graph Completion) هو مساعدة الروبوت على تخمين الحقائق المفقودة، مثل استنتاج أنه إذا كانت "أليس هي أخت بوب"، و"بوب هو أخو تشارلي"، فإن "أليس هي أخت تشارلي".

لفترة طويلة، استخدمت أذكى الروبوتات رياضيات "الصندوق الأسود" التي كانت بارعة في التخمين ولكنها سيئة للغاية في شرح سبب تخمينها لشيء ما. لذا، عاد العلماء إلى النهج القديم القائم على القواعد لأنه شفاف: يمكنك رؤية سلسلة المنطق بدقة. ولكن هنا تكمن المشكلة: لكي تجعل هذه الروبوتات القائمة على القواعد بذكاء "الصناديق السوداء"، كان عليها حفظ عشرات الآلاف من القواعد. الأمر يشبه محاولة حل لغز عبر قراءة مكتبة تضم 20,000 كتاب بينما تحتاج حقاً لقراءة ثلاثة كتب فقط. معظم تلك الكتب تقبع على الرف، يغطيها الغبار، مما يجعل الروبوت بطيئاً، مشتتاً، وصعب الفهم.

يطرح هذا البحث سؤالاً بسيطاً وجريئاً: هل يمكننا تعليم الروبوت أن يكون بنفس الذكاء باستخدام مكتبة صغيرة ومنتقاة من القواعد بدلاً من مستودع ضخم؟ يقترح المؤلفون، من خلال عملهم على رسوم المعرفة والمنطق، طريقة جديدة ذكية تستخدم ما يسمى بـ "الدوائر الاحتمالية" (Probabilistic Circuits). فكر في هذا ليس ككتاب قواعد، بل كأمين مكتبة ذكي جداً يعرف بالضبط أي القواعد تعمل جيداً مع بعضها البعض. فبدلاً من معاملة كل قاعدة كحقيقة معزولة، يتعلم أمين المكتبة هذا كيف "تتآلف" القواعد مع بعضها. وقد وجدوا أنه باستخدام هذه الطريقة، استطاعوا تقليص عدد القواعد المطلوبة بنسبة 70% إلى 96% مع الحصول على نفس النتائج (أو حتى نتائج أفضل). في الواقع، عندما استخدموا نفس العدد الصغير من القواعد الذي اختاره منهجهم الجديد، كان أكثر دقة بمقدار 31 مرة من المنهج القديم الذي حاول استخدام نفس العدد الصغير. لقد أثبتوا أن نهجهم سليم رياضياً ولا يعتمد على افتراضات واهية، مما يقدم وسيلة تجعل الذكاء الاصطناعي ذكياً للغاية وبسيط الفهم بشكل مدهش.

المشكلة: "انفجار القواعد"

تخيل أنك محقق تحاول حل قضية. الطريقة القديمة للقيام بذلك (التي تستخدمها أنظمة مثل AnyBURL) هي جمع كل دليل ونظرية كُتبت على الإطلاق—ربما 20,000 منها. عندما تحاول حل لغز معين، يفحص النظام جميع الـ 20,000 دليلاً. ما المشكلة؟ معظمها عديم الفائدة لهذه القضية المحددة. في مجموعة بيانات تسمى UMLS (التي تتعامل مع المصطلحات الطبية)، احتاج النظام القديم إلى 20,000 قاعدة للوصول إلى أعلى درجة، لكن حوالي 12,938 منها فقط كانت مستخدمة فعلياً. هذا يعني وجود أكثر من 7,000 قاعدة ضائعة تملأ المكتب بلا فائدة!

هذا يخلق ثلاث مشكلات رئيسية:

1. التشتت: إذا سألت النظام "كيف استنتجت ذلك؟"، فسيشير إلى كومة فوضوية من 20,000 قاعدة، مما يجعل من المستحيل معرفة أي منها كان مهماً حقاً.
2. إرهاق الذاكرة: تخزين وإدارة عشرات الآلاف من القواعد يستهلك الكثير من ذاكرة الكمبيوتر، وهي مشكلة إذا كنت تريد تغذية هذه القواعد في أنظمة ذكية أخرى مثل النماذج اللغوية الكبيرة (LLMs) التي تمتلك مساحة محدودة.
3. البطء في التفكير: يصبح التحقق من الاتساق أو الإجابة على أسئلة "ماذا لو" المعقدة بطيئاً وصعباً للغاية عندما تضطر للبحث عبر جبل من القواعد التي لا فائدة منها في الغالب.

الحل: "أمين المكتبة الذكي" (الدوائر الاحتمالية)

قدم المؤلفون إطار عمل جديداً يعمل مثل أمين مكتبة ذكي. فبدلاً من مجرد سرد القواعد، يتعلم أمين المكتبة هذا "توزيعاً احتمالياً" لمجموعات من القواعد. وباللغة البسيطة، يتعلم النظام أي القواعد تميل للعمل معاً كفريق واحد.

إليك كيف يعمل الأمر:

• مفتاح المؤشر: لكل قاعدة يتعلمها النظام، يضيفون "مفتاحاً" صغيراً (يسمى مؤشراً) يقرر ما إذا كانت تلك القاعدة نشطة لحالة معينة.
• تعلم الفريق: ينظر النظام إلى بيانات التدريب (الحقائق التي يعرفها بالفعل) ويتعلم أي المفاتيح تُفعل عادةً معاً. يستخدم هيكلاً يسمى الدائرة الاحتمالية (PC). فكر في الدائرة الاحتمالية كخريطة تدفق تحسب احتمالات مجموعات مختلفة من القواعد الصحيحة، دون افتراض أن كل قاعدة تعمل بشكل مستقل.
• لا افتراض الاستقلالية: أحد الأخطاء الشائعة في الأنظمة القديمة هو افتراض أن القاعدة (أ) ليس لها علاقة بالقاعدة (ب). يثبت هذا البحث أن القواعد تؤثر في بعضها البعض. تتعلم الدائرة الاحتمالية هذه العلاقات المعقدة، مما يسمح لها باختيار فريق صغير وعالي الأداء من القواعد.

النتائج: القليل هو الأكثر

اختبر الفريق نظامهم على 8 مجموعات بيانات مرجعية مختلفة، تتراوح من السجلات الطبية (UMLS) إلى شجرات العائلة (Kinship) والمعرفة العامة (WN18RR). كانت النتائج مذهلة:

• تقليص هائل: قللوا عدد القواعد اللازمة للوصول إلى ذروة الأداء بنسبة 70% إلى 96%. على سبيل المثال، في مجموعة بيانات UMLS، انتقلوا من الحاجة إلى 20,000 قاعدة إلى 1,000 قاعدة فقط للحصول على نفس الدرجة العليا البالغة 0.964 (Hits@10).
• دفعة الـ "31 ضعفاً": عند مقارنة مجموعتهم الصغيرة والمحسنة من القواعد مقابل النظام الأساسي الذي يستخدم نفس العدد الصغير من القواعد، كان منهجهم أفضل بما يصل إلى 31 مرة. وهذا يوضح أن النظام القديم كان سيئاً جداً في اختيار القواعد القليلة المناسبة، بينما كان المنهج الجديد بارعاً في الاختيار.
• كفاءة عالية: في النظام القديم، في مجموعة بيانات UMLS، تم استخدام 64% فقط من القواعد فعلياً. أما في النظام الجديد، فقد كانت 86.8% من الـ 1,000 قاعدة نشطة. لقد توقفوا عن إضاعة المساحة على القواعد غير المفيدة.
• الحفاظ على الأداء: حتى مع هذه المجموعات الصغيرة من القواعد، حافظ النظام على 91% من ذروة أداء المجموعة الضخمة الكاملة للنظام الأساسي.

لقد اختبروا ثلاث طرق لاستخدام هذا النظام الجديد:

1. SingletonLB: يستخدم قاعدة واحدة فقط في كل مرة لإجراء تخمين (نهج بسيط وسريع).
2. SingletonExact: يحسب الاحتمال الدقيق لقاعدة واحدة (دقيق جداً).
3. GreedyLB: يبني مجموعة صغيرة من القواعد خطوة بخطوة (نهج متوسط).

كان طريقة "SingletonExact" هي النجم، حيث تفوقت غالباً على النظام الأساسي حتى عندما سُمح للنظام الأساسي باستخدام مكتبته الضخمة والكاملة. على سبيل المثال، في مجموعة بيانات CODEX-S، حقق المنهج الجديد 99.95% من أفضل نتيجة للنظام الأساسي باستخدام 5% فقط من القواعد (1,000 مقابل 20,000).

لماذا يهم هذا؟

هذا ليس مجرد توفير لذاكرة الكمبيوتر؛ بل يتعلق بجعل الذكاء الاصطناعي موثوقاً. إذا أخبرك طبيب آلي أن مريضاً يعاني من حالة معينة، فأنت تريد أن تعرف لماذا. إذا كان السبب هو قائمة فوضوية من 20,000 قاعدة، فلن تتمكن من الوثوق به. أما إذا كان السبب هو سلسلة واضحة وموجزة من 50 قاعدة يعرف النظام أنها الأفضل، فيمكنك فهم وتحقق المنطق.

أظهر المؤلفون أن منهجهم يستند إلى رياضيات صلبة (تحديداً منطق نيلسون الاحتمالي)، مما يعني أنه ليس مجرد تخمين محظوظ، بل هو طريقة صارمة للتعامل مع عدم اليقين دون اختلاق حقائق. كما أشاروا أيضاً إلى أن هذا النهج لا يعتمد على أي نوع محدد من مولدات القواعد، مما يعني أنه يمكن أن يعمل مع القواعد المستمدة من أي نظام، وليس فقط النظام الذي استخدموه.

باختختصار، يثبت هذا البحث أنك لست بحاجة إلى مكتبة من 20,000 كتاب لحل لغز ما. مع "أمين مكتبة ذكي" مناسب، يمكنك حله باستخدام رف كتب واحد مختار بعناقة، مما يجعل الذكاء الاصطناعي أسرع، وأكثر وضوحاً، وبنفس ذكاء السابق تماماً.