🤖 machine learning

Logic of Hypotheses: from Zero to Full Knowledge in Neurosymbolic Integration

تقدم هذه الورقة "منطق الفرضيات" (LoH)، وهو إطار عمل عصبي رمزي مبتكر يوحد بين القواعد المصممة يدويًا والتعلم القائم على البيانات عبر توسيع المنطق القضايا بمعامل اختيار قابل للتعلم يتم تجميعه في منطق ضبابي قابل للتفاضل، مما يتيح تكاملاً مرنًا للمعرفة واستدلالًا بولينياً منفصلاً دون فقدان في الأداء.

المؤلفون الأصليون: Davide Bizzaro, Alessandro Daniele

نُشر 2026-05-18

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Davide Bizzaro, Alessandro Daniele

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

إليك شرح لورقة بحثية بعنوان "منطق الفرضيات: من الصفر إلى المعرفة الكاملة في التكامل العصبي الرمزي" باستخدام لغة بسيطة وتشبيهات من الحياة اليومية.

الصورة الكبيرة: الجسر بين عالمين

تخيل أنك تحاول تعليم كمبيوتر كيف يتخذ قرارات ذكية. لديك أداتان رئيسيتان:

الشبكة العصبية ("المتعلم الحدسي"): تشبه طفلاً يتعلم من خلال النظر إلى آلاف الصور. هي بارعة في رصد الأنماط (مثل التعرف على قطة في صورة) لكنها سيئة جداً في شرح لماذا تعتقد أن هذا الشيء قطة. إنها "صندوق أسود".
المنطق الرمزي ("متبع القواعد"): يشبه محامياً صارماً أو بطل شطرنج محترفاً. هو يتبع قواعد واضحة ومكتوبة (مثلاً: "إذا أمطرت، خذ مظلة"). هو بارع تماماً في شرح منطقه، لكنه سيء في تعلم أشياء جديدة من البيانات الخام دون أن يُقال له بالضبط ما يجب فعله.

التكامل العصبي الرمزي (NeSy) هو محاولة للجمع بين هذين العالمين. الهدف هو بناء نظام يمكنه التعلم من البيانات و اتباع القواعد المنطقية في آن واحد. ومع ذلك، فإن معظم الطرق الحالية عالقة عند الأطراف: إما أن تغذي الكمبيوتر بقواعد مثالية (وسيكتفي فقط باتباعها)، أو تتركه يتعلم القواعد من الصفر (وغالباً ما سيخترع أشياء لا معنى لها).

المشكلة: ماذا لو كان لديك بعض القواعد، لكنها غير مكتملة؟ أو ماذا لو كان لديك قائمة بالقواعد المحتملة ولكنك لست متأكداً من أي منها هو الصحيح؟ الأدوات الحالية تجد صعوبة في التعامل مع هذه "المنطقة الوسطى".

الحل: منطق الفرضيات (LoH)

قدم المؤلفون لغة جديدة تسمى منطق الفرضيات (LoH). فكر في (LoH) ككتاب "اختر مغامرتك الخاصة" للكمبيوتر المنطقي.

"عامل الاختيار"

في المنطق القياسي، تكون القاعدة ثابتة. أما في (LoH)، يمكنك إدراج "صندوق اختيار" خاص داخل القاعدة.

المنطق القياسي: "إذا أمطرت، خذ مظلة". (ثابتة)
منطق (LoH): "إذا أمطرت، خذ [مظلة أَوْ معطف مطر أَوْ غطاء رأس]".

الكمبيوتر لا يعرف أياً منها يختار بعد. عليه أن ينظر إلى البيانات ويقرر: "بناءً على الصور التي رأيتها، يبدو أن 'معطف المطر' هو الأفضل".

هذا يسمح للنظام بالتعامل مع ثلاثة سيناريوهات مختلفة بسلاسة:

المعرفة الكاملة: تعطي الكمبيوتر القاعدة الدقيقة. يكون "صندوق الاختيار" فارغاً لأنه لا يوجد سوى خيار واحد. هنا، يتعلم الكمبيوتر فقط كيفية التعرف على المطر.
المعرفة الصفرية: تعطي الكمبيوتر قائمة ضخمة بكل القواعد الممكنة التي يمكنه تعلمها. عليه أن يكتشف الهيكل الكامل بنفسه من الصفر.
المعرفة الجزئية (النقطة المثالية): تعطي الكمبيوتر هيكلاً للقاعدة مع بعض الخيارات للأجزاء المفقودة. يقوم هو بملء الفراغات بناءً على البيانات.

كيف يعمل الأمر: "خدعة غودل"

تحويل "صناديق الاختيار" هذه إلى برنامج كمبيوتر يمكنه التعلم أمر صعب. عادةً، تحتاج أجهزة الكمبيوتر إلى مقاييس سلسة ومنزلقة (مثل مفتاح التحكم في شدة الإضاءة/الدايمر). لكن المنطق هو نظام ثنائي (تشغيل/إيقاف، نعم/لا).

استخدم المؤلفون خدعة رياضية ذكية تتضمن منطق غودل الضبابي (Gödel fuzzy logic).

التشبيه: تخيل مفتاح تحكم في شدة الإضاءة (Dimmer). عادة، يمكنك ضبطه على 30% أو 70%. لكن بالنسبة للمنطق، تحتاج لأن يكون الضوء إما "مضاءً بالكامل" أو "مطفأً بالكامل".
الخدعة: صمم المؤلفون النظام بحيث أنه حتى مع استخدام الكمبيوتر لمفاتيح سلسة ومنزلقة (باستخدام التدرجات) أثناء التعلم، فإنه من الناحية الرياضية مضمون أنك عندما تضغط على المفتاح ليصبح "تشغيل" أو "إيقاف" في النهاية، ستكون النتيجة هي نفسها تماماً كما لو كان قد تعلم باستخدام مفاتيح حادة منذ البلية.
لماذا هذا مهم: العديد من الأنظمة الأخرى تفقد دقتها عندما تحاول تحويل تعلمها السلس إلى قواعد مقروءة وصارمة. هذا النظام يفعل ذلك دون فقدان أي أداء. إنه يشبه الطاهي الذي يمكنه طبخ وجبة مثالية باستخدام ميزان دقيق، ولكنه يستطيع أيضاً تقديمها بتقدير تقريبي للمكونات، وتكون النتيجة متطابقة في الطعم.

التجارب: هل ينجح الأمر؟

اختبر المؤلفون منطق "اختر مغامرتك الخاصة" هذا على نوعين من المهام:

1. البيانات الجدولية (اختبار "الجدول الحسابي")
استخدموا مجموعات بيانات قياسية (مثل التنبؤ بما إذا كان ينبغي الموافقة على قرض بنكي).

النتيجة: أدى نموذجهم بشكل جيد مثل أفضل الشبكات العصبية "الصندوق الأسود"، ولكنه أنتج قواعد واضحة ومقروءة يمكن للبشر فهمها. لقد تفوق على أنظمة تعلم القواعد الأخرى التي غالباً ما ترتبك عندما تحاول أن تكون مرنة ودقيقة في آن واحد.

2. لعبة "إكس أو" البصرية (اختبار "الإدراك")
كان هذا اختباراً أصعب. بدلاً من إعطاء الكمبيوتر لوحة مكتوب عليها "X" و "O"، أعطوه صوراً للوحة (باستاستخدام أرقام مكتوبة بخط اليد لتمثيل X، و O، والمساحات الفارغة).

التحدي: كان على الكمبيوتر أولاً أن يتعلم كيفية التعرف على الأرقه (الإدراك) ثم يتعلم قواعد لعبة "إكس أو" (المنطق) في وقت واحد.
النتيجة: نجح نموذج (LoH) في تعلم قواعد اللعبة مباشرة من الصور. لقد استنتج أن "وجود ثلاثة رموز X في صف واحد يعني الفوز" واستطاع شرح هذه القاعدة بلغة بشرية بسيطة. أما النماذج الأخرى، فإما فشلت في تعلم القواعد أو تعلمت قواعد غير منطقية عند محاولة قراءتها.

مثال حرائق الغابات

لإظهار مدى مرونة هذا النظام، قاموا بمحاكاة تقييم مخاطر حرائق الغابات.

السيناريو أ (المعرفة الكاملة): أخبرنا الكمبيوتر بالفيزياء الدقيقة للحريق (الوقود + الجفاف + المحفز). تعلم الكمبيوتر فقط كيفية التعرف على "الغابة" و"النباتات الجافة" من صور الأقمار الصناعية.
السيناريو ب (المعرفة الجزئية): أخبرنا الكمبيوتر: "نحن نعرف كيف يعمل الوقود، لكننا لسنا متأكدين بشأن المحفز". تم إعطاء الكمبيوتر قائمة من 5 قواعد محتملة لـ "المحفز". نظر الكمبيوتر إلى البيانات واختار القاعدة التي تتنبأ بالحرائق بشكل أفضل.
السيناريو ج (المعرفة الصفرية): أعطينا الكمبيوتر قائمة من 20 قاعدة محتملة لكل شيء، وتركناه يكتشف النظام بأكمله من الصفر.

في كل سيناريو، تكيف النظام بشكل مثالي، مما أثبت أنه يمكنه التعامل مع أي شيء من "أنا أعرف كل شيء" إلى "أنا لا أعرف شيئاً".

الملخص

تقدم الورقة البحثية منطق الفرضيات (LoH)، وهي طريقة جديدة لبناء ذكاء اصطناعي يقع ببراعة بين "القواعد الجامدة" و"التعلم الأعمى".

يستخدم صناديق الاختيار للسماح للذكاء الاصطناعي بتقرير أي القواعد يستخدم.
يستخدم خدعة رياضية لضمان أن القواعد التي يتعلمها دقيقة تماماً، حتى بعد تبسيطها لكي يقرأها البشر.
يعمل على كل من الجداول والاصور، مما يثبت قدرته على التعامل مع مشكلات العالم الحقيقي المعقدة حيث قد نمتلك معرفة جزئية فقط.

جوهر الأمر هو أن (LoH) يمنح الذكاء الاصطناه القدرة على القول: "أنا أعرف الشكل العام للإجابة، لكنني أحتاج للنظر في البيانات لملء التفاصيل المحددة"، ويفعل ذلك بدقة متناهية.

ملخص تقني: منطق الفرضيات (LoH)

بيان المشكلة

يهدف التكامل العصبي الرمزي (NeSy) إلى الجمع بين القدرة الاستنتاجية للمنطق الرمزي وقدرات التعلم للشبكات العصبية. تشغل النهج الحالية عادةً طرفي طيف متقابلين:

حقن المعرفة: تعتمد أساليب مثل DeepProbLog وLTN على قيام خبراء المجال بتوفير صيغ منطقية عالية الجودة كأولويات أو قيود. يفترض هذا وجود هذه القواعد مسبقاً، ولا يتعامل مع السيناريوهات التي يجب فيها تعلم القواعد أو مراجعتها جزئياً.
استقراء القواعد: تتعلم أساليب مثل SATNet وDSL والبرمجة المنطقية الاستقرائية (ILP) القواعد الرمزية مباشرة من البيانات. ورغم مرونتها، إلا أنها غالباً ما تواجه صعوبة في دمج المعرفة المسبقة الجزئية أو فرض قوالب نحوية محددة (مثل البنود ذات الطول الثابت) دون آليات إضافية.

لا تزال هناك فجوة كبيرة في التعامل مع السيناريوهات المتوسطة حيث يتم توفير هيكل منطقي جزئي، ولكن يجب تعلم المكونات المفقودة، أو حيث يجب أن تلتزم القواعد المتعلمة بقيود نحوية محددة. تفتقر العديد من النماذج العصبية الرمزية التفاضلية الحالية إلى المرونة اللازمة لتغطية هذا الطيف الممتد من "المعرفة الصفرية إلى المعرفة الكاملة" ضمن إطار عمل واحد ومبدئي. علاوة على ذلك، تعاني العديد من النماذج الحالية التي تستخدم المنطق الضبابي (مثل t-norms الخاصة بالضرب أو لوكاسيفيتش) من تباين بين أدائها المستمر أثناء التدريب وبين استخراج القواعد المتقطعة والقابلة للتفسير، مما يؤدي إلى فقدان الدقة عند التحويل إلى الصيغة الثنائية (binarization).

المنهجية: منطق الفرضيات (LoH)

يقترح المؤلفون منطق الفرضيات (LoH)، وهو صياغة منطقية جديدة توحد بين حقن المعرفة واستقراء القواعد.

1. عامل الاختيار (The Choice Operator)

يوسع LoH بناء المنطق القضايا القياسي بإضافة عامل اختيار $[\Phi_1, \dots, \Phi_n]$ .

البناء (Syntax): يمكن أن تحتوي الصيغة $\Phi$ على عوامل اختيار تختار صيغة فرعية واحدة من مجموعة مرشحة محدودة.
الدلالات (Semantics): تمثل صيغة LoH واحدة فضاء فرضيات $\mathcal{H}(\Phi)$ ، وهو مجموعة جميع الصيغ القضوية الكلاسيكية التي يتم الحصول عليها باختيار صيغة فرعية واحدة بالضبط لكل عامل اختيار.
المرونة: يسمح هذا بتمثيل الصيغ غير المكتملة. ومن خلال ضبط وجود عوامل الاختيار، يمكن لـ LoH تمثيل أي شيء بدءاً من قاعدة محددة بالكامل (لا توجد خيارات) وصولاً إلى فضاء بحث مدفوع بالبيتا بالكامل (كل الخيارات).

2. التجميع إلى رسوم بيانية تفاضلية (Compilation to Differentiable Graphs)

لتمكين التعلم عبر الانتشار العكسي (backpropagation)، يتم تجميع صيغ LoH في رسوم بيانية حسابية تفاضلية:

البوابات الموزونة: يتم تخصيص وزن قابل للتعلم $w_i \in [0, 1]$ لكل صيغة فرعية مرشحة $\Phi_i$ في عامل الاختيار.
التجميع المزدوج: يتم تحويل عامل الاختيار إلى صيغة قضوية باستخدام إما التجميع التوزيعي ( $\bigvee w_i \land \Phi_i$ ) أو التجميع الاقتراني ( $\bigwedge \neg w_i \lor \Phi_i$ ). ويعتمد الاختيار بينهما على سياق العامل (على سبيل المثال، داخل اقتران مقابل داخل توزيع) لتحسين تدفق التدرج (gradient flow).
دلالات المنطق الضبابي: يتم تفسير الصيغ المجمعة باستخدام منطق غودل الضبابي (حيث الاقتران هو $\min$ والتوزيع هو $\max$ ). وهذا يسمح بأن تكون العمليات المنطقية قابلة للتفاضل.

3. خدعة غودل والتحويل الرقمي (The Gödel Trick and Discretization)

المكون الحاسم هو آلية تعلم القرارات المتقطعة مع الحفاظ على القابلية للتفاضل:

التمثيل (Parameterization): بدلاً من تعلم الأوزان $w_i$ مباشرة، يتعلم النموذج الـ logits $z_i$ .
البحث المحلي العشوائي: خلال التمرير الأمامي (forward pass)، يتم إضافة ضجيج Gumbel إلى الـ logits. ثم يتم إزاحة القيم بحيث يكون هناك logit واحد فقط موجب، ويتم تطبيق دالة sigmoid لإنتاج الأوزان.
النظرية 1 (الاستخراج غير الفاقد): بالاستفادة من خصائص منطق غودل، يثبت المؤلفون أنه لأي تفسير ضبابي، فإن تقريب القيم المخرجة باستخدام عتبة 0.5 ينتج عنه تفسير بوليني يتوافق مع النموذج المستمر. وهذا يضمن أن تحويل النموذج المتعلم إلى صيغة متقطعة لا يؤدي إلى أي فقدان في الدقة مقارنة بالنسخة المستمرة، وهي خاصية لا تضمنها المنطق الضبابي الأخرى مثل Product أو Łukasiewicz.

4. التكامل المعماري

يمكن وضع LoH فوق الشبكات العصبية (مثل CNNs) لتعلم خرائط الإدراك إلى الرموز بشكل متكامل (end-to-end). كما يمكن استخدام عوامل الاختيار لفرض قوالب نحوية (مثل بنود ثابتة العرض) أو لاختيار مجموعات فرعية من قاعدة معرفية معروفة.

المساهمات الرئيسية

لغة مبتكرة (LoH): صياغة توسع المنطق القضايا بإضافة عامل اختيار، مما يسمح بتمثيل مدمج لفضاءات الفرضيات والدمج المرن للمعرفة المسبقة الجزئية.
التجميع التفاضلي: إجراء لتجميع صيغ LoH في رسوم بيانية حسابية باستخدام منطق غودل الضبابي وخدعة غودل. يسمح هذا بالتعلم المتكامل للقواعد المنطقية المتقطعة دون تدهور في الدقة عند التحويل لصيغة ثنائية.
إطار عمل موحد: يستوعب LoH النماذج العصبية الرمزية الموجودة؛ حيث يمكنه العمل كمستقر قواعد نقي (معرفة صفرية)، أو حاقن معرفة (معرفة كاملة)، أو نظام هجين يتعامل مع السيناريوهات المتوسطة (معرفة جزئية، قيود القوالب).
التحقق التجريبي: أظهر الإطار أداءً قوياً على البيانات الجدولية والمهام الإدراكية (Visual Tic-Tac-Toe)، متفوقاً على أو موازياً للنماذج المتطورة مثل MLLP وDLN.

النتائج التجريبية

قيم المؤلفون LoH على جبهتين رئيسيتين:

1. التصنيف الجدولي (12 مجموعة بيانات من UCI)

الإعداد: تمت مقارنة نماذج LoH مع أشجار القرار (DT)، والغابات العشوائية (RF)، وXGBoost، والشبكات العصبية القياسية (NN)، وشبكات المنطق التفاضلية (DLN)، وMulti-Layer Logical Perceptrons (MLLP).
النتائج:
- حقق LoH درجات F1 تنافسية، وغالباً ما طابقت أو تجاوزت أداء الشبكات العصبية القياسية وMLLP.
- على عكس MLLP، حيث تعاني القواعد المستخرجة (CRS) غالباً من انخفاض كبير في الأداء مقارنة بالنموذج المستمر، تحافظ القواعد المتقطعة في LoH على نفس دقة النموذج المستمر بفضل دلالات غودل.
- تفوق LoH باستمرار على CRS وDLN (في شكله المتقطع) في معظم مجموعات البيانات، خاصة في حالات التصنيف متعدد الفئات مع عدد أقل من الفئات.

2. لعبة إكس-أو البصرية (Visual Tic-Tac-Toe)

الإعداد: مهمة إدراكية حيث المدخل عبارة عن شبكة $3 \times 3$ من أرقام MNIST (0=X، 1=O، 2=فراغ) بدلاً من المدخلات الرمزية. الهدف هو التنبؤ بما إذا كان 'X' قد فاز.
النتائج:
- حقق LoH (تحديداً نسخة DNF) أعلى أداء، حيث وجد الصيغة المنطقية الصحيحة بنسبة 100% في 4 من أصل 30 تجربة.
- واجهت النماذج الأخرى (MLLP، DLN) صعوبة في التقييم الرمزي بعد التدريب، حيث فشلت غالباً في إنتاج قواعد متقطعة دقيقة رغم الأداء المستمر الجيد.
- نجح النموذج في تعلم ربط الرموز (تحديد X وO والفراغ من الصور) واكتشاف الهيكل المنطوي الكامن في آن واحد.

3. محاكاة مخاطر حرائق الغابات (أنظمة المعرفة)

الإعداد: مهمة اصطناعية تختبر مستويات مختلفة من المعرفة المسبقة: معرفة كاملة، اختيار قواعد موثوقة، اختيار قاعدة واحدة لكل مجموعة، ومعرفة جزئية.
النتائج: تكيف LoH بنجاح مع جميع الأنظمة. وعند مقارنته بخط أساس معدل من $\partial$ ILP، تفوق LoH في الأنظمة التي تتضمن فضاءات فرضيات كبيرة، مما أظهر كفاءة فائقة في التعامل مع اختيار القواعد المعقدة وتكامل المعرفة الجزئية.

الأهمية والادعاءات

يزعم البحث أن LoH يوفر إطار تعلم واحداً ومبدئياً يسد الفجوة بين حقن المعرفة واستقراء القواعد. تكمن أهميته الأساسية في:

المرونة: يتيح للباحثين تحديد مقدار المعرفة المسبقة المتاحة بدقة، من "الصفر" إلى "الكامل"، والتعامل مع الحالات المتوسطة حيث تحتاج القواعد إلى مراجعة أو إكمال.
التحويل الرقمي غير الفاقد: من خلال استخدام منطق غودل وخدعة غودل، يضمن LoH أن القواعد المتقطعة القابلة للتفسير المستخرجة من النموذج هي بنفس دقة النموذج المستمر المستخدم أثناء التدريب. وهذا يعالج قصوراً رئيسياً في النهج العصبية الرمزية السابقة.
التعلم المتكامل (End-to-End): يتيح التعلم المتزامن للقواعد الرمزية وخرائط الإدراك إلى الرموز، مما يربط المفاهيم المجردة بالبيانات الخام دون الحاجة إلى مكونات رمزية مدربة مسبقاً.

أقر المؤلفون بوجود بعض القيود، مشيرين إلى أن التنفيذ الحالي هو قضوي (propositional) وأن قابلية التوسع تظل تحدياً بالنسبة للتوسعات من الدرجة الأولى (first-order)، ومع ذلك، يرى المؤلفون أن LoH يقدم أساساً متيناً للتطورات المستقبلية في الذكاء الاصطناائي العصبي الرمزي.