Intuitionistic $j$-Do-Calculus in Topos Causal Models

تخيل أنك محقق يحاول حل لغز، لكن الأدلة التي تجدها تعتمد كليًا على الغرفة التي تقف فيها. في غرفة واحدة، يثبت وجود بصمة إصبع على النافذة أن المشتبه به قد دخل؛ وفي الغرفة التالية، تكون نفس البصمة مجرد لطخة من طاقم التنظيف. هذا هو جوهر الاستدلال السببي (causal inference)، وهو فرع من العلوم يحاول معرفة ما "يسبب" ماذا، بدلًا من مجرد ملاحظة ما يحدث معًا بمحض الصدفة. عادةً، يستخدم المحققون مجموعة من القواعد المنطقية (تسمى حساب do-calculus) ليسألوا: "ماذا سيحدث لو أجبرتُ المشتبه به على الدخول؟" عبر قطع سلاسل الأحداث المعتادة ذهنيًا. لكن هذه القواعد تفترض أنك تنظر إلى العالم بأكمله من وجهة نظر واحدة مثالية.

المشكلة هي أن العالم الحقيقي ليس غرفة واحدة؛ بل هو مبنى يحتوي على سياقات أو "أنظمة" (regimes) مختلفة. فقد ينجح علاج طبي في مستشفى مشمس ولكنه يفشل في عيادة ممطرة. والقاعدة التي تعمل لمجموعة من الناس قد تنهار لأخرى. لطالما أراد العلماء طريقة لخلط وجهات النظر المختلفة هذه معًا دون فقدان منطق سلسلة السبب والنتيجة. إنهم بحاجة إلى نظام يمكنه القول: "هذه القاعدة صحيحة في هذه الغرف المحددة، ولأن هذه الغرف تغطي المبنى بأكمله، فإن القاعدة صحيحة للمبنى أيضًا".

هذا بالضبط ما يسعى بحث "سريدهار ماهاديڤان"، بعنوان Intuitionistic j-Do-Calculus in Topos Causal Models، للقيام به. يبني المؤلف "غراءً" رياضيًا جديدًا يسمح لنا بأخذ القواعد القياسية للسبب والنتيجة وتطبيقها قطعة بقطعة عبر بيئات مختلفة، ثم حياكة تلك القطع معًا في حقيقة واحدة موثوقة.

أدوات المحقق: من الغرف المنفردة إلى مدينة كاملة

لفهم سحر هذا البحث، دعونا ننظر أولاً إلى الأدوات التي يستخدمها. تخيل مدينة حيث لكل حي قوانينه الخاصة. في "منطقة الملاحظة"، يمكنك فقط مراقبة ما يحدث بشكل طبيعي. وفي "منطقة التدخل"، يمكنك التجول وتغيير الأشياء فعليًا لترى ما الذي سيتغير.

في الطريقة القديمة (المسماة الحساب الكلاسيكي لـ do-calculus)، كان عليك اختيار منطقة واحدة والالتزام بها. إذا أردت معرفة ما إذا كانت سياسة جديدة قد تسببت في انخفاض معدل الجريمة، كان عليك افتراض أن بياناتك تأتي من عالم واحد متسق. ولكن ماذا لو كانت بياناتك مزيجًا فوضويًا؟ ماذا لو جاء بعض البيانات من وقت كان فيه الجو ممطرًا، وبعضها الآخر من وقت كان فيه الجو مشمسًا؟

يقدم البحث مفهومًا جديدًا يسمى j-stability. فكر في هذا كـ "شبكة أمان" لمنطقك. بدلًا من السؤال: "هل هذه القاعدة صحيحة في كل مكان؟"، يسأل البحث: "هل هذه القاعدة صحيحة في مجموعة محددة من الخرائط المحلية التي، عند وضعها معًا، تغطي الإقليم بأكمله؟"

إليك كيف يعمل نظام البحث الجديد، باستخدام استعارة رمزية:

1. خريطة الأنظمة (الموقع - The Site)
تخيل العالم كأنه أحجية (puzzle) عملاقة، ولكن بدلًا من كونها قطعًا مسطحة، فإن القطع هي "أنظمة" أو سياقات مختلفة. قطعة هي "البيانات الرصدية"، وأخرى هي "البيانات التجريبية"، وأخرى هي "بيانات من مستشفى معين". في لغة البحث، تسمى هذه مراحل (stages) أو مخططات (charts). يعاملها المؤلف ليس فقط كأكوام منفصلة من البيانات، بل كشبكة متصلة يمكنك الانتقال من خلالها من سياق إلى آخر.

2. القواعد المحلية (دلالات المخططات - Chartwise Semantics)
في كل قطعة من قطع الأحجية (كل نظام)، يستخدم المؤلف القواعد الموثوقة والمعتادة للسبب والنتيادة. إذا كنت في قطعة "الرصد"، فستستخدم المنطق القياسي لترى ما إذا كان أمران مستقلين عن بعضهما. وإذا كنت في قطعة "التدخل"، فستستخدم المنطق القياسي لترى ما يحدث عند فرض تغيير ما. يصر البحث على أننا لن نخترع قواعد جديدة لهذه القطع المحلية؛ بل سنستخدم القواعد التي نثق بها بالفعل.

3. الغراء (نظرية الحزم والنزول - Sheaf Theory and Descent)
هذا هو الجزء الأكثر إبداعًا. يسأل البحث: "إذا كانت قاعدة ما صحيحة في القطعة (الرصدية) وَكانت صحيحة في القطعة (التدخلية)، وكان هذان القطعتان تتداخلان بطريقة منطقية، فهل يمكننا القول إن القاعدة صحيحة للأحجية بأكمل؟"

الإجابة هي نعم، ولكن فقط إذا تطابقت القطع تمامًا. يستخدم المؤلف مفهومًا رياضيًا يسمى نظرية الحزم (sheaf theory) (فكر فيه كغراء شديد الدقة وعالي الجودة) لضمان أن الحقائق المحلية لا تتناقض مع بعضها البعض. إذا اتفقت الحقائق المحلية في مناطق التداخل، فإن "الغراء" يسم يسمح لها بالنزول إلى حقيقة عالمية واحدة. وهذا ما يسمى النزول (descent).

ما الذي وجده البحث بالفعل

يثبت البحث نظرية سلامة من المحلي إلى العالمي (local-to-global soundness theorem). باللغة البسيطة، هذا يعني:

• إذا تمكنت من التحقق من قاعدة سببية (مثل "المتغير أ يسبب المتغير ب") في مجموعة من الخرائط المحلية (تسمى J-cover) التي تغطي حالتك بالكامل...
• وإذا كانت الطريقة التي تنتقل بها بين هذه الخرائط تحافظ على البنية السببية (مثل الحفاظ على نفس المتغيرات والقواعد)...
• فإنك مضمون رياضيًا بأن القاعدة ستكون صحيحة للحالة بأكملها، حتى لو لم تستطع رؤية الصورة الكاملة دفعة واحدة.

يطبق المؤلف هذا على قواعد بيرل الثلاث الشهيرة لـ do-calculus. تخبرنا هذه القواعد متى يمكننا استبدال إجراء (مثل دواء) بملاحظة (مثل عرض مرضي) في معادلاتنا. يوضح البحث أن هذه القواعد لا تزال تعمل في هذا العالم متعدد الأنظمة والفوضوي، بشرط أن تظل صحيحة في الخرائط المحلية.

ما الذي يرفضه البحث صراحةً

من الضروري معرفة ما لا يفعله هذا البحث، لأن المؤلف حريص جدًا على رسم الحدود:

• هو لا يدعي حل كل شيء. ينص البحث صراحةً على أنه هو "نظرية سلامة" (soundness theorem)، مما يعني أنه يخبرك متى يكون من الآمن لك استخدام القواعد. إنه لا يدعي أنه "نظرية اكتمال" (completeness theorem)، والتي تعني أنه يمكنه إيجاد كل إجابة سببية ممكنة. قد توجد حقائق سببية لا يمكن لهذه الطريقة الوصول إليها ببساطة.
• هو لا يقول إن "التدخل" و"الاشتراط" هما الشيء نفسه. في الرياضيات المتقدمة، يحاول البعض معاملة "الفعل" أو "القيام بشيء" و"المراقبة" كوجهين لعملة واحدة (باستخدام مفهوم يسمى Kan extensions). هذا البحث يرفض هذه الفكرة صراحةً. فهو يجادل بأن التدخل هو استبدال مادي لآلية ما (مثل استبدال جزء في آلة)، بينما الاشتراط هو مجرد النظر إلى شريحة معينة من البيانات. إنهما عمليتان مختلفتان، والبحث يرفض دمجهما معًا.
• هو لا يفترض أن العالم دائمًا "بولياني" (أبيض وأسود). في المنطق القياسي، تكون العبارة إما صحيحة أو خاطئة. في هذا الإطار الجديد، يمكن للعبارة أن تكون "صحيحة على غطاء" (أي صحيحة في الخرائط المحلية) دون أن تكون "صحيحة عالميًا" بالمعنى الثنائي البسيط. المنطق هنا أكثر مرونة، مثل مفتاح التحكم في شدة الضوء (dimmer switch) بدلاً من مفتاح التشغيل والإيقاف.

الخلاصة: طريقة جديدة لربط العالم معًا

لا يقدم لك البحث دواءً جديدًا أو خوارزمية لتشغيلها على حاسوبك الآن. بدلًا من ذلك، يمنحك إطارًا منطقيًا جديدًا لكيفية التفكير في الاستدلال السببي عندما يكون العالم معقدًا ومجزأً.

تخيل أنك تحاول التنبؤ بالطقس. لديك توقع محلي للشاطئ، وآخر للجبال، وآخر للمدينة. إذا قال توقع الشاطئ "مشمس" وتوقع الجبال "مشمس"، وكان هناك تداخل بينهما بطريقة منطقية، يمكنك أن تقول بثقة "الجو مشمس في كل مكان". لكن إذا قال الشاطئ "مشمس" والجبال "ممطر"، فلا يمكنك مجرد التخمين.

يوفر بحث ماهاديڤان الإثبات الرياضي الصارم لـ متى يُسمح لك بربط تلك التوقعات المحلية في توقع عالمي واحد. هو يثبت أنه إذا كانت قواعد السبب والنتيجة المحلية صالحة في كل سياق محدد (الخرائط)، وكانت تلك السياقات تغطي الصورة بأكملها، فإن الاستنتاج السببي سيكون صحيحًا للنظام بأكمله.

يلاحظ المؤلف بعناية أن هذا إنجاز نظري. يفترض البحث أن لديك بالفعل الخرائط المحلية والأغطية؛ فهو لا يخبرك كيفية العثور عليها من البيانات الخام (هذه مهمة بحث مكمل). ولكن لأي شخص يحاول بناء أنظمة ذكاء اصطناي أو تعلم آلي تحتاج إلى التفكير في السبب والنتيجة عبر بيئات مختلفة — مثل سيارة ذاتية القيادة تتصرف بشكل مختلف في المطر مقابل الشمس — فإن هذا البحث يوفر "الغراء" الأساسي لضمان تماسك المنطق.

باختصار، يقول البحث: "لست بحاجة إلى رؤية واحدة مثالية للعالم لتعرف الحقيقة. إذا كان لديك ما يكفي من الرؤى المحلية التي تتناسب مع بعضها البعض، فإن الحقيقة ستظهر من خلال الغراء".