💻 computer science

A Foundation for Differentiable Logics using Dependent Type Theory

تقدم هذه الورقة صياغة موحدة للمنطق التفاضلي والمنطق الضبابي داخل مساعد الإثبات "روك" (Rocq) باستخدام نظرية النوع المعتمد، حيث تقارن بشكل منهجي بين خصائصها التحليلية والجبرية والنظرية-الإثباتية عبر تفسيرها بواسطة الشبكات المتبقية، وصياغة أدوات الحساب الضرورية مثل قاعدة لوبيتال، وتأسيس حسابات استنتاج سليمة لكل من الأنظمة المنطقية القائمة والجديدة.

المؤلفون الأصليون: Reynald Affeldt, Alessandro Bruni, Ekaterina Komendantskaya, Natalia Ślusarz, Kathrin Stark

نُشر 2026-03-02

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Reynald Affeldt, Alessandro Bruni, Ekaterina Komendantskaya, Natalia Ślusarz, Kathrin Stark

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

تخيل أنك تحاول تعليم روبوت كيفية قيادة سيارة. أنت تريد للروبوت أن يكون آمناً، لكنك تريده أيضاً أن يتعلم من أخطائه. في عالم الذكاء الاصطناعي (AI)، نستخدم الشبكات العصبية (التي تمثل "دماغ" الروبوت) ليتعلم. ولتعليمه، نستخدم "بطاقة تقييم" تسمى دالة الخسارة (Loss Function). إذا ارتكب الروبوت خطأً، يرتفع السجل؛ وإذا أدى بشكل جيد، ينخفض السجل. يحاول الروبوت تقليل هذا السجل ليصبح أفضل.

ومع ذلك، نريد أحياناً من الروبوت اتباع قواعد محددة، مثل "توقف دائماً عند الإشارة الحمراء" أو "لا تسرع أبداً بأكثر من 30 ميلاً في الساعة". هنا يأتي دور المنطق التفاضلي (Differentiable Logics). وهي نوع خاص من الرياضيات التي تحول القواعد المنطقية (مثل "إذا كانت حمراء، إذن توقف") إلى بطاقة تقييم يمكن للروبوت فهمها وتحسينها.

المشكلة: برج بابل

لفترة طويلة، كان الباحثون يخترعون نسخاً مختلفة من هذه المترجمات (من القواعد إلى السجلات).

بعض الفرق تستخدم المنطق الضبابي (Fuzzy Logics) (رياضيات قديمة من عشرينيات القرن الماضي تتعامل مع "ربما" و"نوعاً ما").
فرق أخرى تستخدم منطق تعلم الآلة (Machine Learning Logics) (رياضيات أحدث صُممت خصيصاً لتدريب الذكاء الاصطناعي).

المشكلة؟ إنهم جميعاً يتحدثون لغات مختلفة.

فريق يقول إن "الصواب" هو الرقم 1.
وفريق آخر يقول إن "الصواب" هو 0.
أحدهم يستخدم نوعاً معيناً من عملية "و" (AND)، بينما يستخدم آخر عملية مختلفة.
بعض القواعد تعمل بشكل مثالي في الجبر، لكنها تنهار عندما تحاول إجراء التفاضل والتكامل (رياضيات التغير والسرعة). وأخرى تعمل بشكل رائع في التفاضل والتكامل ولكنها لا معنى لها جبرياً.

الأمر يشبه محاولة بناء منزل حيث تُصنع طوبه الأساسية من الخشب، وجدرانه من الزجاج، وسقفه من الماء. إنها لا تتناسب مع بعضها البعض، ولا يمكنك التأكد من أن المنزل سيصمد.

الحل: مترجم عالمي

هذه الورقة البحثية تشبه بناء مترجم عالمي ومخطط رئيسي شامل لكل هذه الأنظمة المنطقية المختلفة. استخدم المؤلفون أداة قوية تسمى Rocq (وهي مساعد إثبات رقمي، فكر فيها كحكم رياضي صارم للغاية) لترجمة كل نظام منطي مختلف إلى لغة واحدة موحدة.

إليك ما فعلوه، باستخدام تشبيهات إبداعية:

1. العدسة الجبرية (هيكل الليغو)

تخيل الأنظمة المنطقية كمجموعات من قطع الليغو.

المنطق الضبابي هو مثل مجموعة من قطع الليغو التي تلتصق ببعضها بشكل مثالي بطريقة معينة (تسمى Residuated Lattice). إنها متينة ومفهومة جيداً.
منطق تعلم الآلة الجديد كان مثل كومة من القطع العشوائية التي لا تبدو وكأنها تلتصق ببعضها.
اكتشاف الورقة: أظهر المؤلفون أن بعض قطع الليغو الجديدة للذكال الاصطناعي يمكن أن تلتصق ببعضها بالفعل إذا نظرت إليها من الزاوية الصحيحة. لقد أثبتوا أن نسخة محددة من المنطق الجديد (تسمى STL∞) متينة تماماً مثل مجموعات الليغو القديمة. ومع ذلك، وجدوا أيضاً أنه إذا حاولت جعل القطع تلتصق ببعضها بشكل مثالي (جبرياً)، فإنها تفقد قدرتها على الانزلاق بسلاسة (من ناحية التفاضل والتكامل). إنه مقايضة: لا يمكنك الحصول على قطعة تكون صلبة تماماً وسلسة الانزلاق تماماً في آن واحد.

2. العدسة التحليلية (المنزلق الناعم)

في تعلم الآلة، يحتاج الروبوت إلى "الانزلاق" أسفل تلة للعثور على أفضل حل. وهذا يتطلب أن تكون الرياضيات سلسة (قابلة للتفاضل).

بعض قواعد المنطق القديمة كانت مثل الصخور المسننة؛ إذا حاول الروبوت الانزلاق عليها، فسوف يعلق.
تحقق المؤلفون من القواعد التي تسمح بانزلاق سلس. واكتشفوا أن بعض القواعد الجديدة (مثل DL2) سلسة جداً، بينما قواعد أخرى (مثل منطق Gödel القديم) مسننة للغاية.
الفوز الكبير: اضطروا لابتكار أداة رياضية جديدة (إثبات رسمي لـ قاعدة لوبيتال - L'Hôpital's Rule، وهي خدعة شهيرة في التفاضل والتكامل) لإثبات أن منطقاً جديداً ومعقداً (STL) كان في الواقع سلساً بما يكفي ليستخدمه الروبوت. إنه يشبه إثبات أن طريقاً وعراً هو في الواقع سلس بما يكفي لسيارة سباق إذا نظرت إليه من مسافة معينة.

3. عدسة نظرية البرهان (كتاب القواعد)

كل منطق يحتاج إلى كتاب قواعد (حساب المتتاليات - Sequent Calculus) لضمان أنه إذا بدأت بفرضيات صحيحة، ستصل إلى نتيجة صحيحة.

كانت للأنظمة المنطقية الضبابية القديمة كتب قواعد ممتاة ومكتوبة جيداً.
أما أنظمة الذكاء الاصطنا_ الجديدة فكانت تتبع قواعد الطريق دون وجود كتاب قواعد مكتوب.
مساهمة الورقة: كتب المؤلفون أول كتب قواعد رسمية لأنظمة الذكاء الاصطناعي الجديدة (DL2 و STL∞). وقد أثبتوا أن كتب القواعد الجديدة هذه "صائبة" (Sound)، مما يعني أنها لن تقود الروبوت إلى فخ منطقي.

لماذا يهم هذا؟

تخيل أنك مخطط مدينة.

قبل هذه الورقة: كان لديك مهندسون معماريون مختلفون يستخدمون مخططات مختلفة. أحدهم قال "يجب أن يكون ارتفاع الجدار 10 أقدام"، وآخر قال "يجب أن يكون الارتفاع 3 أمتار"، وثالث قال "يجب أن يكون عالياً جداً". لم تكن تستطيع بناء مبنى آمن لأن القياسات لم تكن متطابقة.
بعد هذه الورقة: أصبح لديك مخطط موحد وشامل. يمكنك الآن مقارنة المهندسين المعماريين. يمكنك القول: "مهلاً، تصميم المهندس (أ) رائع من حيث الاستقرار، لكن تصميم المهندس (ب) أفضل من حيث السرعة".

الخلا-صة

هذه الورقة هي خطوة ضخمة نحو ذكاء اصطناعي آمن.
من خلال وضع كل هذه الأنظمة المنطقية المختلفة في "صندوق رمال" واحد (مساعد الإثبات Rocq)، قام المؤلفون بـ:

إيجاد الأخطاء في الأبحاث السابقة (مثل العثور على صدع في جسر قبل أن تسير فوقه السيارات).
إنشاء لغة مشتركة حتى يتمكن علماء الرياضيات ومهندسو الذكاء الاصطناعي من التحدث مع بعضهم البعض أخيراً.
بناء أدوات جديدة (مثل كتب القواعد الجديدة) التي تسمح لنا بتدريب الذكاء الاصطناعي على اتباع قواعد معقدة بأمان.

باخت-صار، لقد أخذوا حديقة حيوان فوضوية من الأفكار الرياضية المختلفة، ونظموها في مكتبة مرتبة، وأعطونا المفاتيم لبناء أنظمة ذكاء اصطناعي أكثر ذكاءً، وأماناً، وموثوقية.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "أساس للمنطق التفاضلي باستخدام نظرية النوع المعتمد" (A Foundation for Differentiable Logics using Dependent Type Theory).

١. بيان المشكلة

المنطقيات التفاضلية (DLs) هي منطقيات كمية ناشئة من أدبيات تعلم الآلة (ML)، صُممت لترجمة الخصائص المنطقية إلى دالات خسارة (loss functions) قابلة للتفاضل من أجل "التدريب الموجه بالخصائص" للشبكات العصبية. وبينما تمتلك المنطقيات الضبابية (مثل منطق غودل، ولوكاسيفيتش) تقليداً يمتد لقرن من الزمن في الدراسة الجبرية ونظرية الإثبات، فإن المنطقيات الجديدة المستوحاة من تعلم الآلة (مثل DL2 وSTL) تقدم خصائص تحليلية مرغوبة (مثل "الظلال الرافعة" - shadow-lifting، التي تضمن وجود التدرجات)، إلا أن هناك فجوة كبيرة في توحيدها:

غياب إطار عمل موحد: تختلف المنطقيات التفاضلية الموجودة في بناء الجملة (syntax)، ومجالات الدلالات (semantics domains) (مثل $[0,1]$ مقابل $(-\infty, \infty)$ )، والبنى الجبرية.
افتقار للأسس الجبرية ونظرية الإثبات: تفتقر العديد من منطقيات تعلم الآلة الجديدة إلى التوصيفات الجبرية الصارمة (مثل الشبكات المتبقية - residuated lattices) ودلالات نظرية الإثبات (حساب المتتاليات - sequent calculi).
المقايضات بين التحليل والجبر: الخصائص المرغوبة في تعلم الآلة (مثل الظلال الرافعة، التي تضمن وجود تدرجات التدريب) غالباً ما تتعارض مع الخصائص الجبرية (مثل التجميعية أو التطابق).
فجوات التحقق: غالباً ما تحتوي البراهن اليدوية في الأدبيات على أخطاء أو تكون غير مكتملة (على سبيل المثال، حالات مفقودة في براهن الظلال الرافعة).

تهدف الورقة إلى مقارنة وتوحيد الخصائص الجبرية والتحليلية ونظرية الإثبات لكل من المنطقيات الضبابية والتفاضلية بشكل منهجي لتمكين التحقق الرسمي الموثوق من أنظمة تعلم الآلة.

٢. المنهجية

يستخدم المؤلفون الإثبات التفاعلي (ITP) باستخدام مساعد الإثبات Rocq (المعروف سابقاً بـ Coq) ومنظومة مكتبة MathComp.

بناء جملة موحد عبر الأنواع المعتمدة: قاموا بتعريف بناء جملة عام للمنطقيات التفاضلية باستخدام النوع المعتمد (intrinsic typing). ومن خلال استخدام الأعلام (flags) (مثل neg_def و impl_def)، يفرض الإطار صيغاً صالحة لمنطقيات محددة (على سبيل المثال، منع النفي في DL2 حيث أنه غير معرف هيكلياً). وهذا يسمح بترميز منطقيات متعددة في لغة واحدة قابلة للتوسع.
التحليل ثلاثي المحاور: يستقصي التوصيف الخصائص عبر ثلاثة أبعاد:
1. الجبري: تفسير المنطقيات عبر الشبكات المتبقية (Residuated Lattices) (التحقق من البديهيات مثل التبديل، والتجميع، وخاصية المتبقي $x \odot y \leq z \iff y \leq x \Rightarrow z$ ).
2. التحليلي: صياغة الظلال الرافعة (Shadow-lifting) (الخاصية التي تضمن أن المشتقات الجزئية للروابط المنطقية موجبة، مما يضمن وجود تدرجات التدريب). تطلب هذا صياغة قاعدة لوبيتال (L'Hôpital's rule) ضمن مكتبة MathComp-Analysis، والتي كانت مفقودة سابقاً.
3. نظرية الإثبات: تعريف وإثبات صحة (soundness) حسابات الـ Hypersequent (وهي تعميم لحسابات المتتاليات لـ Gentzen) لهذه المنطقيات.
التحقق الرسمي: تم ترميز جميع التعريفات والنظريات والبراهن آلياً في Rocq. استخدم المؤلفون ذلك للتحقق من الأدبيات، وإيجاد الأخطاء، وإثبات نتائج جديدة.

٣. المساهمات الرئيسية

أ. إطار عمل التوصيف الموحد

إنشاء ترميز عام للمنطقيات التفاضلية (Gödel, Łukasiewicz, Yager, Product, DL2, STL $_\nu$ , STL $_\infty$ ) في Rocq.
استخدام الأنواع المعتمدة لضمان عدم بناء سوى الصيغ ذات النوع الصحيح لكل متغير منطقي.
توسيع مكتبة MathComp بلمسات (lemmas) جديدة، بما في ذلك البرهان الرسمي لـ قاعدة لوبيتال وخصائص المشتقات الجزئية.

ب. النتائج الجبرية (الشبكات المتبقية)

التوصيف: إثبات أن منطقيات Gödel، وŁukasiewicz، وYager، وProduct، وDL2، وحالة الحد الأقصى STL $_\infty$ تشكل شبكات متبقية.
STL $_\nu$ مقابل STL $_\infty$ : إثبات أن STL $_\nu$ (ذات المعامل المحدود $\nu$ ) ليست شبكة متبقية بسبب عدم التجميعية. ومع ذلك، عندما تقترب $\nu \to \infty$ ، فإن STL $_\nu$ تتقارب إلى STL $_\infty$ ، التي تحقق بالفعل بديهيات الشبكة.
النفي: صياغة أن النفي في منطق Gödel وProduct ليس تبادلياً (involutive)، بينما في Łukasiewicz وYager هو كذلك.

ج. النتائج التحليلية (الظلال الرافعة)

البرهان الرسمي للظلال الرافعة: تقديم أول برهان رسمي كامل لخاصية الظلال الرافعة لـ STL $_\nu$ . الورقة الأصلية لـ Varnai وDimarogonas قدمت فقط مخططاً؛ وقد أكمل المؤلفون الحالات المفقودة (تحديداً $p_{min} < 0$ ) باستخدام قاعدة لوبيتال.
تأكيد المقايضة: التحقق من الاستحالة النظرية لوجود منطق يحقق التطابق (Idempotence)، والتجميعية (Associativity)، والظلال الرافعة (Shadow-lifting) في آن واحد.
- مثال: تمتلك STL $_\nu$ خاصية الظلال الرافعة ولكنها تفتقر إلى التجميعية. بينما تمتلك STL $_\infty$ التجميعية ولكنها تفقد الظلال الرافعة.

د. نتائج نظرية الإثبات (حساب المتتاليات)

المنطقيات الضبابية: صياغة الصحة لحسابات الـ hypersequent الموجودة لمنطقيات Göðel، وŁukasiewicz، وProduct.
الحسابات الجديدة: اقتراح وإثبات صحة:
- DL2: حساب hypersequent جديد مصمم خصيصاً لدلالاته (التي تتضمن مقارنات الأعداد الحقيقية).
- STL $_\infty$ : حساب لحالة الحد الأقصى لـ STL، والذي يتصرف مثل منطق Göðel ولكن مع الأعداد الحقيقية الممتدة.
الاكتمال الضعيف: إظهار أن الحسابات الجديدة لـ DL2 وSTL $_\infty$ كاملة ضعيفاً (أي أن البديهيات ذات الصلة قابلة للإثبات).

هـ. تصحيح الأخطاء

تحديد وإصلاح الأخطاء في البراهن السابقة المكتوبة بالورقة والقلم فيما يتعلق بخصائص الفترات لمؤثرات المقارنة في المنطقيات الضبابية الممتدة بالمقارنات.
تصحيح البراهن غير المكتملة المتعلقة بظلال STL $_\nu$ الرافعة.

٤. ملخص النتائج

تقدم الورقة جدولاً شاملاً (الجدول 6 في الورقة) يصنف المنطقيات حسب خصائصها:

Gödel: شبكة متبقية، متطابق (Idempotent)، حساب صحيح، لا يمتلك ظلالاً رافعة.
Łukasiewicz: شبكة متبقية، تبادلي (Involution)، حساب صحيح، لا يمتلك ظلالاً رافعة.
Product: شبكة متبقية، حساب صحيح، يمتلك ظلالاً رافعة، لا يمتلك التطابق.
DL2: شبكة متبقية، يمتلك ظلالاً رافعة، لا يمتلك التطابق، لا يمتلك نفيًا هيكليًا.
STL $_\nu$ : يمتلك ظلالاً رافعة، لا يمتلك بديهيات الشبكة/المونود (غير تجميعي).
STL $_\infty$ : شبكة متبقية، لا يمتلك ظلالاً رافعة، حساب صحيح.

يؤكد التوصيف أن منطق Product و DL2 هما المرشحان الأكثر واعدية للتوفيق بين المتطلبات الجبرية والتحليلية ونظرية الإثبات، رغم تضحيتهما بخاصية التطابق.

٥. الأهمية

الربط بين المجتمعات: يوحد هذا العمل التقليد الجبري للمنطق الضبابي (المنطقيات تحت البنيوية) مع الاحتياجات التحليلية لتعلم الآلة، مما يوفر لغة مشتركة للباحثين في كلا المجالين.
الموثوقية في التحقق من الذكاء الاصطناعي: من خلال التحقق رسمياً من خصائص المنطقيات المستخدمة لتوليد دالات الخسارة، تضع هذه الورقة الأساس لـ التدريب الموجه بالخصائص والموثق (certified property-guided training). وهذا يضمن أن الترجمة من المواصفات المنطقية إلى أهداف التحسين سليمة رياضياً.
الأدوات البرمجية للذكاء الاصطناعي: يعمل التوصيف في Rocq كمرجع تنفيذي للأدوات المستقبلية (مثل لغة التصميم الموجهة Vehicle) التي تهدف إلى ترجمة المواصفات عالية المستوى إلى مدققات للشبكات العصبية وحلقات تدريب.
توسيع المكتبة الرياضية: إضافة قاعدة لوبيتال ونظريات المشتقات الجزئية إلى مكتبة MathComp يفيد مجتمع الرياضيات الرسمية الأوسع، وليس فقط أبحاث الذكاء الاصطناعي.

ختاماً، تؤسس هذه الورقة أساساً صارماً ومتحققاً آلياً للمنطقيات التفاضلية، مما يزيل الغموض في الأدبيات ويوفر الأدوات النظرية اللازمة لبناء أنظمة تعلم آلة موثوقة ومحققة رسمياً.