🤖 machine learning

Continuous Modal Logical Neural Networks: Modal Reasoning via Stochastic Accessibility

تقدم هذه الورقة الشبكات العصبية المنطقية الجهوية المستمرة (CMLNNs)، وهو إطار عمل يسمى "المنطق السائل" (Fluid Logic) يعمل على رفع الاستدلال الجهوي من البنى المنفصلة إلى المتشعبات المستمرة باستخدام المعادلات التفاضلية العشوائية العصبية لدمج القيود المنطقية مباشرة في تدريب الشبكة العصبية، مما يتيح حلولاً متسقة بنيوياً لمهام الاستدلال المعرفي، والزمني، والوجوبي دون الحاجة إلى معادلات حاكمة صريحة.

المؤلفون الأصليون: Antonin Sulc

نُشر 2026-03-05

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Antonin Sulc

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 التنقل في عالم ضبابي ومعقد. في الماضي، كنا نعلم الروبوتات باستخدام المنطق "المنفصل" (Discrete Logic)، مثل لعبة لوحية ذات مربعات ثابتة. يمكنك القول: "إذا كنت في المربع أ، يمكنك الانتقال إلى المربع ب". لكن العالم الحقيقي ليس شبكة من المربعات؛ بل هو مشهد انسيابي ومتدفق تتغير فيه الأشياء باستمرار، والمستقبل ليس مجرد مسار واحد، بل هو سحابة من الاحتمالات.

تقدم هذه الورقة البحثية طريقة جديدة لتعليم الروبوتات تسمى المنطق السائل (Fluid Logic). بدلاً من لعبة لوحية، هي تعامل العالم كأنه نهر متدفق وتستخدم نوعاً خاصاً من الرياضيات يسمى المعادلات التفاضلية العشوائية العصبية (Neural Stochastic Differential Equations - Neural SDEs) لفهم كيفية تحرك الروبوت عبر هذا النهر.

إليك تفصيل للأفكَار الرئيسية باستخدام تشبيهات بسيطة:

1. الطريقة القديمة مقابل الطريقة الجديدة

الطريقة القديمة (المنطق المنفصل): تخيل خريطة بها مدن متميزة متصلة بطرق. يمكنك أن تكون في مدينة واحدة فقط في كل مرة. إذا سألت: "هل يمكنني الوصول إلى المدينة؟"، ستكون الإجابة ببساطة "نعم" أو "لا".
الطريقة الجديدة (المنطق السائل): تخيل أن العالم محيط شاسع، والروبوت عبارة عن قارب. بدلاً من السؤال "هل يمكنني الوصول إلى هناك؟"، يسأل النظام: "ما هو احتمال وصولي إلى هناك بأمان؟" و"ما هي أسوأ عاصفة قد أواجهها؟".
- تطلق الورقة على هذا اسم المنطق السائل لأن الحقيقة "تتدفق" عبر المحيط مثل الماء، بدلاً من القفز بين نقاط ثابتة.

2. سحر المسارات "الضبابية" (العشوائية - Stochasticity)

في الرياضيات القديمة، إذا كنت تعرف نقطة البداية واتجاه الرياح، كنت ستعرف بالضبط أين سينتهي مسار القارب. كان هناك مستقبل واحد فقط.

المشكلة: في العالم الحقيقي، هناك دائماً حالة من عدم اليقين (هبات الرياح، أخطاء المستشعرات). إذا افترضت أن هناك مستقبلاً واحداً فقط، فإن منطقك سينهار.
الحل: تستخدم الورقة النماذج العصبية (Neural SDEs). فكر في هذا كـ "آلة صنع الضباب" للمستقبل. بدلاً من رسم خط واحد للمستقبل، تقوم برسم سحابة كاملة من المسارات الممكنة.
- عامل الضرورة (□): يسأل: "هل المسار آمن في كل مسار منفرد داخل هذه السحابة؟" (سيناريو "الحالة الأسوأ").
- عامل الإمكانية (♢): يسأل: "هل هناك مسار واحد على الأقل في هذه السحابة يكون فيه المسار آمناً؟" (سيناريو "الحالة الفضلى").
- لماذا يهم هذا: في الرياضيات القديمة، غالباً ما تندمج "كل المسارات" و"بعض المسارات" في نفس الإجابة لأن هناك مساراً واحداً فقط. أما في هذا "المنطق الضبابي" الجديد، فإنهما يظلان متميزين، مما يعطي الروبوت فهماً أكثر ثراءً للمخاطر.

3. الشبكات العصبية المستنيرة بالمنطق (LINNs)

عادةً، لتدريب روبوت، تحتاج إلى مجموعة ضخمة من البيانات حول الحركات "الصحيحة". ولكن ماذا لو لم تكن لديك تلك البيانات؟ ماذا لو كان لديك فقط مجموعة من القواعد؟

التشبيه: تخيل تعليم طفل القيادة ليس عبر عرض ملايين الفيديوهات للقيادة، بل عبر إعطائه كتاب قواعد: "ابقَ في المسار"، "لا تصطدم بالرصيف"، "ابحث دائماً عن المشاة".
كيف يعمل: ابتكر المؤلفون الشبكات العصبية المستنيرة بالمنطق (LINNs). فهي تأخذ القواعد المنطقية (مثل "يجب على الروبوت دائماً أن يبقى آمناً" أو "قد يزور الروبوت المنطقة الحمراء") وتدمجها مباشرة في "دماغ" تدريب الروبوت.
- يتعلم الروبوت من خلال محاولة استيفاء هذه القواعد المنطقية، حتى لو لم يسبق له رؤية الموقف المحدد من قبل. الأمر يشبه تعلم "روح القانون" بدلاً من مجرد حفظ أمثلة محددة.

4. ثلاثة اختبارات من العالم الحقيقي

اختبرت الورقة هذه الفكرة في ثلاثة سيناريوهات مختلفة:

السيناريو (أ): الروبوت الذي يعاني من الهلوسة (المنطق المعرفي/الاعتقادي - Epistemic/Doxastic Logic)
- القصة: تخيل فريقاً من 5 روبوتات. أحد الروبوتات (Rover 3) لديه مستشعر معطل. هو "يعتقد" أن مساراً آمناً هو في الواقع آمن، لكن بقية الفريق "يعرف" (بناءً على مستشعرات جيدة) أن هناك فجوة خطيرة هناك.
- النتيجة: نجح النظام في اكتشاف "الهلوسة". لقد أدرك أن اعتقاد (Rover 3) (ما يعتقد أنه حقيقة) لا يتطابق مع الواقع (ما يعرفه الفريق). لقد حدد الخطأ قبل أن يقود الروبوت نفسه نحو الهاوية.
السيناريو (ب): الفراشة الفوضوية (المنطق الزمني - Temporal Logic)
- القصة: نظام لورينز (Lorenz system) هو نموذج رياضي شهير للطقس الفوضوي (مثل رفرفة أجنحة فراشة). من المستحيل التنبؤ بدقة باتجاه الرياح.
- النتيجة: حاولت الروبوتات القديمة التنبؤ بمسار واحد وفشلت، حيث أدى ذلك إلى انهيار الشكل الفوضوي في فوضى عارمة. استخدم النظام الجديد "الضباب" (المسارات العشوائية) لتعلم شكل الفوضى. تعلم أن "كل المسارات يجب أن تبقى داخل أجنحة الفراشة" (الضرورة) وأن "بعض المسارات يجب أن تزور الجناح الأيسر" (الإمكانية). لقد نجح في إعادة إنشاء الشكل الفوضوي دون الحاجة إلى بيانات مثالية.
السيناريو (ج): القفص الآمن (المنطق الإلزامي - Deontic Logic)
- القصة: تخيل جسيماً في مفاعل اندماج نووي (توكاماك). هذا الجسيم يميل طبيعياً للطيران نحو الخارج والاصطدام بالجدران (وهو أمر سيء).
- النتيجة: بدلاً من برمجة معادلة فيزيائية معقدة لإبقائه بالداخل، اكتفى الفريق بإعطاء الروبوت قاعدة منطقية: "يجب عليك البقاء داخل القفص". تعلم الروبوت "قوة" جديدة لتدفع الجسيم للعودة للداخل، وذلك فقط من خلال محاولة استيفاء هذه القاعدة المنطقية. لقد ابتكر آلية سلامة من الصفر.

ملخص

تتعلق هذه الورقة بترقية الذكاء الاصطنا-ي من "لاعب ألعاب لوحية" (الذي يرى فقط خطوات ثابتة) إلى "ملاح أنهار" (الذي يفهم التدفق، وعدم اليقين، والمخاطر).

من خلال الجمع بين المنطق (القواعد) و النماذج العصبية (Neural SDEs) (الرياضيات الاحتمالية)، استطاع المؤلفون إنشاء نظام يمكنه:

فهم الفرق بين "قد يحدث هذا" و "يجب أن يحدث هذا".
اكتشاف متى يهلوس الروبوت أو يكذب على نفسه.
التعلم ليكون آمناً ويتبع قواعد معقدة دون الحاجة إلى أن يكتب إنسان كل معادلة فيزيائية.

إنها خطوة نحو ذكاء اصطناعي لا يكتفي بالحساب فحسب، بل يستنتج ويتعامل مع الطبيعة غير المستقرة، الفوضوية، والمتدفقة للعالم الحقيقي.

إليك ملخص تقني مفصل لورقة "الشبكات العصبية للمنطق الجهوي المستمر: الاستدلال الجهوي عبر الوصول العشوائي" للباحث أنتونين سولك.

1. بيان المشكلة

تعمل الشبكات العصبية للمنطق الجهوي (MLNNs) التقليدية على بنى كريبكي (Kripke structures) منفصلة، حيث تكون "العوالم" عبارة عن عقد في رسم بياني وتكون إمكانية الوصول عبارة عن مصفوفة حواف ثابتة. يواجه هذا النهج المنفصل قيوداً جوهرية عند تطبيقه على الأنظمة الفيزيائية المستمرة، أو التحولات في المعتقدات، أو المسارات الزمنية. وتحديداً:

الانفصال مقابل الاستمرار: الرسوم البيانية المنفصلة لا يمكنها بطبيعتها نمذجة فضاءات الحالة المستمرة (المنوعات/Manifolds) الموجودة في الفيزياء والروبوتات.
انهيار المكممات: في الأنظمة الحتمية (مثل المعادلات التفاضلية العصبية - Neural ODEs القياسية)، تنهار المؤثرات الجهوية للضرورة ( $\square$ ، "كل المسارات") والإمكان ( $\diamond$ ، "بعض المسارات") لتصبح نفس العبارة لأن هناك مساراً مستقبلياً واحداً فقط. وهذا يمنع الشبكة من التمييز بين ما هو "ضروري الصدق" وما هو "ممكن الصدق".
الافتقار إلى الاستدلال متعدد الأنماط: تعاني الأطر الحالية من صعوبة في الجمع بين أنواع مختلفة من المنطق الجهوي (مثل المنطق الإبستيمي، والدوكساستي، والزمني، والديونطي) ضمن بنية واحدة قابلة للاشتقاق دون استخدام ثوابت مصممة يدوياً.

2. المنهجية: المنطق السائل والشبكات العصبية للمنطق الجهوي المستمر (CMLNNs)

تقترح الورقة "المنطق السائل" (Fluid Logic)، وهو نموذج يرفع الاستدلال الجهوي من الرسوم البيانية المنفصلة إلى المنوعات المستمرة باستخدام المعادلات التفاضلية العشوائية العصبية (Neural SDEs).

البنية الأساسية: الشبكات العصبية للمنطق الجهوي المستمر (CMLNNs)

الوصول العشوائي (Stochastic Accessibility): بدلاً من الحواف الثابتة، يتم تعريف إمكانية الوصول بين الحالات من خلال مسارات العينة لـ Neural SDE. تكون الحالة $w'$ قابلة للوصول من $w$ بالقدر الذي تقع فيه $w'$ ضمن توزيع مسارات الـ SDE التي تبدأ من $w$ .
معادلات تفاضلية عصبية مخصصة لكل نمط: يدعم كل نوع من المؤثرات الجهوية معادلة SDE مخصصة ذات دوال انجراف ( $f_\theta$ $f_{θ}$ ) وانتشار ( $\sigma_\theta$ $σ_{θ}$ ) محددة:
- الزمني ( $\square_{[0,T]}$ ): يستخدم SDE لتعلم الديناميكيات الفيزيائية.
- الإبستيمي ( $K_a$ - المعرفي): يستخدم SDE شرطي يستكشف الحالات المتوافقة مع الملاحظات (منطق S5).
- الدوكساستي ( $B_a$ - الاعتقادي): يستخدم SDE يبدأ من الحالة التي يعتقدها الوكيل (والتي قد تختلف عن الواقع)، مما يسمح بوجود معتقدات خاطئة.
- الديونطي ( $O$ - الواجبي): يستخدم SDE مُدرب للبقاء ضمن المناطق المسموح بها.
التركيب (Composition): يتم تركيب الصيغ المتداخلة (مثل $B_a(\square_{[0,T]} \text{safe}$ ) عن طريق ربط هذه الـ SDEs ببعضها. تقوم الشبكة بسحب مسارات العينة من الـ SDE الداخلي، وتقييم المنطق الخاري على طول تلك المسارات، وتجميع النتائج.

المؤثرات: مقاييس المخاطر الإنتروبية

يتم تنفيذ مؤثري الضرورة ( $\square$ ) والإمكان ( $\diamond$ ) كـ مقاييس مخاطر إنتروبية باستخدام تجميعات الـ soft-min و soft-max عبر مسارات عينات مونت كارلو:

$\square$ (الضرورة): تحسب "أسوأ حالة ناعمة" (soft-min) عبر جميع مسارات العينة.
$\\diamond$ (الإمكان): تحسب "أفضل حالة ناعمة" (soft-max) عبر جميع مسارات العينة.
درجة الحرارة ( $\tau$ ): عندما تقترب $\tau$ من الصفر، تتقارب هذه المؤثرات مع المكممات الكلية ( $\forall$ ) والوجودية ( $\exists$ ) الكلاسيكية. وعند قيم $\tau$ المحدودة، فإنها توفر حدوداً قابلة للاشتقاق وحساسة للمخاطر.

الشبكات العصبية المستنيرة بالمنطق (LINNs)

أحد التطبيقات الرئيسية لهذا الإطار هو LINNs، وهي مشابهة للشبكات العصبية المستنيرة بالفيزياء (PINNs). بدلاً من فرض المعادلات التفاضلية، تقوم LINNs بدمج الصيغ المنطقية الجهوية مباشرة في دالة الخسارة (Loss function). وهذا يوجه الشبكة العصبية لإنتاج حلول تحقق خصائص منطقية هيكلية (مثل "يجب أن تظل جميع المسارات محدودة" وَ "يجب أن تزور بعض المسارات منطقة معينة") دون الحاجة إلى معرفة صريحة بالمعادلات الحاكمة.

3. المساهمات الرئيسية

نموذج المنطق السائل: إطار عمل جديد يرفع المنطق الجهوي إلى المنوعات المستمرة عبر Neural SDEs، مما يسمح بالاستدلال متعدد الأنماط (الزمني، الإبستيمي، الدوكساستي، والديونطي) ضمن رسم بياني واحد قابل للاشتقاق.
منع انهيار المكممات: إثبات نظري (النظرية 2) بأن الانتشار العشوائي ( $\sigma \neq 0$ ) يضمن أن $\square \neq \diamond$ . يعمل معامل الانتشار كعامل تفرع متعلم، مما يخلق توزيعاً للمستقبلات حيث تظل مفاهيم الضرورة والإمكان متميزة.
السلامة مع ضمانات المخاطر: ثبت أن المؤثرات سليمة فيما يتعلق بـ الدلالات القائمة على المخاطر الإنتروبية (النظرية 1). يوفر الإطار حدوداً دنيا وعليا سليمة رياضياً لسلامة النظام مع ضمانات تركيز مونت كارلو صريحة.
التناظر الهيكلي: تم إثبات أن البديهيات الجهوية الكلاسيكية (T, D, 4) تنشأ طبيعياً من الخصائص الهيكلية لـ SDE (مثل التهيئة عند الحالة الحقيقية مقابل الحالة المعتقد بها، وخصائص شبه غروب ماركوف) بدلاً من التنظيم الصريح.
الكفاءة: تقليل التعقيد الذاكري للوصول من التربيعي في عدد العوالم ( $O(|W|^2)$ ) إلى الخطي في عدد المعلمات ( $O(|\theta|)$ ) عبر بارامتريّة الوصول من خلال الديناميكيات.

4. النتائج التجريبية

تم التحقق من صحة الإطار عبر ثلاث دراسات حالة متنوعة:

دراسة الحالة 1: المنطق الإبستيمي والدوكساستي (كشف الهلوسة في السرب)

السيناريو: سرب من 5 روبوتات، حيث يعاني الروبوت 3 من فشل في المستشعر، مما يجعله "يهلوس" بوجود مسار آمن عبر فجوة حقيقية بينما يعتقد أن الفجوة الوهمية خطيرة.
النتيجة: نجح النظام في اكتشاف الهلوسة من خلال مقارنة الـ SDE الدوكساستي (معتقد الروبوت 3) مقابل الـ Sside الإبستيمي (المعرفة الجماعية للسرب). استقرت "فجوة المعتقد والواقع" (مسافة Wasserstein) عند 0.39، مما يحدد كمياً التباعد بين المعتقد والحقيقة.

دراسة الحالة 2: المنطق الزمني (نظام لورنز الفوضوي)

السيناريو: استعادة هندسة جاذب لورنز-63 الفوضوي (الذي يحتوي على فصين) باستخدام القيود المنطقية فقط: $\square(\text{bounded}) \land \diamond(\text{visits\_lobe})$ .
النتيجة:
- عانت النماذج الحتمية (Neural ODE, PINN) من انهيار المكممات وفشل هيكلي (الفشل في زيارة كلا الفصين أو التباعد تماماً).
- نجح نظام SDE + LINN في استعادة هندسة الفراشة ذات الفصين. سمح الانتشار للنظام باستكشاف كلا الفصين (الإمكان) مع إبقاء جميع المسارات محدودة (الضرورة)، محققاً أدنى معدلات الخطأ وصفر معدلات الهروب مقارنة بالنماذج المرجعية.

دراسة الحالة 3: المنطق الديونطي (الحجز الآمن)

السيناريو: تعلم ديناميكيات التحكم الآمن لجسيم في وعاء يشبه "توكاماك" حيث تدفع الفيزياء الطبيعية الجسيم نحو الخارج. الهدف هو تعلم قانون تحكم فقط من المواصفات المنطقية $O(\square_{[0,T]} \text{safe})$ .
النتيجة: تعلمت الـ SDE الديونطية قوة استعادة أبقت الجسيم محصوراً بـ احتمالية خروج 0%، وهو تحسن بمقدار 6.1 ضعفاً عن الديناميكيات الطبيعية. قامت الشبكة بتخليق قانون تحكم غير بديهي محض من الهدف المنطقي، مع القدرة على التعميم إلى مناطق غير مدربة.

5. الأهمية

يمثل هذا العمل خطوة مهمة للأمام في الذكاء الاصطناوي الرمزي العصبي (Neurosymbolic AI) من خلال سد الفجوة بين المنطق الصوري والأنظمة الديناميكية المستمرة.

ما وراء التحقق: على عكس أدوات التحقق التقليدية التي تتطلب فضاءات حالات منتهية، تتعلم CMLNNs البنى مباشرة من البيانات مع ضمانات احتمالية.
التحكم القوي: القدرة على ترميز قيود منطقية معقدة (مثل "آمن ولكن استكشافي") مباشرة في دالة التدريب تقدم بديلاً قوياً لهندسة المكافآت في التعلم التعزيزي.
التعامل مع عدم اليقين: من خلال معاملة المؤثرات الجهوية كمقاييس للمخاطر، يوفر الإطار طريقة صارمة رياضياً للتعامل مع عدم اليقين، والهلوسة، والسلامة في البيئات المستمرة والعشوائية.

باختصار، يحول المنطق السائل الاستدلال الجهوي من مشكلة رسم بياني ثابتة إلى عملية ديناميكية عشوائية، مما يمكن الشبكات العصبية من الاستدلال حول الضرورة، والإمكان، والمعتقد، والوجوب في العالم المستمر.