🔢 mathematics

Quantitative Linear Logic

Dieser Beitrag stellt quantitative Sequenzenkalküle (pQLL) vor, die durch eine Revision des Sequenzenkalkül-Rahmens reellwertige Semantiken für additive Konnektive in der linearen Logik zuweisen und dadurch differenzierbare Spezifikationen für probabilistische und maschinelle Lernsysteme ermöglichen, während gleichzeitig die Schnitteliminierung und Vollständigkeit für eine Familie von Kalkülen bewiesen werden, die gegen das Standard-MALL konvergieren, wenn der Härteparameter gegen Unendlich strebt.

Ursprüngliche Autoren: Matteo Capucci, Robert Atkey, Charles Grellois, Ekaterina Komendantskaya

Veröffentlicht 2026-05-14

📖 6 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Matteo Capucci, Robert Atkey, Charles Grellois, Ekaterina Komendantskaya

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie versuchen, einem Computer beizubringen, Entscheidungen zu treffen, wie etwa ein autonomes Fahrzeug, das entscheidet, ob es bremsen oder beschleunigen soll. In früheren Zeiten war die Logik wie ein Lichtschalter: Eine Aussage war entweder EIN (Wahr/1) oder AUS (Falsch/0). Doch die reale Welt ist kein Lichtschalter; sie ist ein Dimmer. Dinge sind „meistens wahr", „kaum wahr" oder „etwas riskant".

Seit Jahrzehnten versuchen Mathematiker, eine Logik mit „Dimmer-Schalter" (genannt Fuzzy-Logik) zu entwickeln, um diese Grauzonen zu handhaben. Allerdings gab es ein großes Problem: Wenn man versucht, diese Dimmer-Schalter für moderne KI glatt genug zu machen (die durch das Hinabgleiten auf einem Fehlerberg lernt, ein Prozess namens Gradientenabstieg), bricht die Logik zusammen. Die „glatten" Versionen verlieren ihre logische Struktur, und die „logischen" Versionen sind für die KI zu kantig, um daraus zu lernen.

Diese Arbeit, „Quantitative Lineare Logik", von Capucci, Atkey, Grellois und Komendantskaya, löst dieses Rätsel, indem sie eine neue Art von Logik erfindet, die sowohl glatt (gut für KI) als auch strukturiert (gut für Mathematik) ist.

Hier ist die Aufschlüsselung ihrer Lösung unter Verwendung einfacher Analogien:

1. Das Problem: Das Dilemma „Starr" gegen „Rutschig"

Stellen Sie sich traditionelle logische Verknüpfungen (wie „UND" und „ODER") als starre Lego-Steine vor. Sie klickt sie zusammen, und sie passen perfekt.

Das Problem: Um sie mit KI funktionsfähig zu machen, müssen Sie sie in Knete verwandeln. Sie müssen glatt und dehnbar sein, damit die KI sie leicht verschieben kann, um ihre Leistung zu verbessern.
Der Haken: Wenn Sie die Lego-Steine in Knete verwandeln, verlieren sie ihre Form. Sie klicken nicht mehr korrekt zusammen. In mathematischen Begriffen verhalten sich die „glatten" Versionen von „UND" und „ODER" nicht mehr wie Logik (sie verlieren Eigenschaften wie Assoziativität oder Idempotenz).

Die Autoren fanden in früheren Forschungen ein „No-Go"-Theorem: Man konnte keine Verknüpfung haben, die gleichzeitig glatt, logisch und sich selbst perfekt wiederholend war.

2. Die Lösung: Der „Härte-Drehknopf" ( $p$ )

Die Autoren führen eine neue Familie von logischen Operationen ein, die durch einen Drehknopf namens $p$ (der „Härte"-Parameter) gesteuert wird.

Wenn $p$ unendlich ist ( $\infty$ ): Die Logik ist Hart. Sie verhält sich exakt wie traditionelle Lego-Steine (Standard-Lineare Logik). Sie ist starr, perfekt, aber nicht glatt genug für das KI-Training.
Wenn $p$ endlich ist (z. B. $p=1$ ): Die Logik ist Weich. Sie verhält sich wie Knete. Sie ist glatt und differenzierbar, was bedeutet, dass eine KI daraus lernen kann.
Die Magie: Wenn Sie den Drehknopf von 1 bis unendlich drehen, härtet die „Knete" langsam wieder zu „Lego-Steinen" aus. Die Logik bricht nicht; sie ändert nur ihre Textur.

Dies erreichten sie, indem sie neu definierten, wie „UND" und „ODER" funktionieren, unter Verwendung spezieller mathematischer Formeln (genannt $p$ -Summen und harmonische $p$ -Summen), die wie Durchschnitte aussehen, sich aber wie Logikgatter verhalten.

3. Das neue Regelwerk: „Quantitative Sequenzenkalküle"

In der traditionellen Logik ist ein Beweis eine binäre Sache: Er ist entweder Gültig (Wahr) oder Ungültig (Falsch).
In diesem neuen System hat ein Beweis einen Score.

Die Analogie: Stellen Sie sich einen Gerichtssaal vor. Im alten System sagt ein Richter „Schuldig" oder „Nicht schuldig". In diesem neuen System gibt der Richter eine Punktzahl von 0 bis 100.
- Ein perfekter Beweis erzielt 100.
- Ein „weicher" Beweis erzielt vielleicht 85.
- Ein gebrochener Beweis erzielt 0.
Warum das wichtig ist: Die Autoren zeigen, dass selbst wenn ein Beweis nicht perfekt ist (Score < 100), er dennoch Bedeutung trägt. Sie können genau berechnen, wie viel Wahrheit ein Beweis enthält. Dies ermöglicht es ihnen, die logischen Regeln (wie die „Cut-Elimination", die sicherstellt, dass Beweise sauber sind) beizubehalten, selbst wenn die Scores fließende Zahlen sind.

4. Die „Effizienz" von Beweisen

Eine der coolsten Entdeckungen ist, dass dieses System die Effizienz eines Beweises misst.

In der Standardlogik ist das Beweisen von „A und B" dasselbe wie das Beweisen von „A" und das Beweisen von „B" separat.
In dieser neuen „weichen" Logik kostet das Kombinieren von ihnen möglicherweise ein wenig „Wahrheit" (Ihr Score sinkt leicht).
Die Metapher: Es ist wie das Tragen zweier schwerer Kisten. Wenn Sie sie separat tragen, sind Sie zu 100 % effizient. Wenn Sie versuchen, sie auf eine „weiche" Weise zusammenzutragen, könnten Sie ein wenig ausrutschen, und Ihre Effizienz sinkt auf 90 %. Die Mathematik sagt Ihnen genau, wie viel Effizienz Sie verloren haben.

5. Im Papier erwähnte reale Anwendungen

Das Papier verbindet diese Theorie explizit mit zwei spezifischen Bereichen:

Bayessche Wahrscheinlichkeit (der „Wahrscheinlichkeits"-Rechner):
Die Autoren zeigen, dass, wenn Sie den Härte-Drehknopf auf eine bestimmte Einstellung setzen ( $p=1$ ), diese Logik die Bayessche Wahrscheinlichkeit perfekt nachahmt.
- Die Analogie: Wenn Sie auf ein Pferderennen wetten, wird das „UND" zweier Ereignisse (Pferd A gewinnt UND Pferd B gewinnt) durch Multiplikation ihrer Quoten berechnet. Das „ODER" wird durch Addition berechnet. Diese neue Logik liefert den mathematischen Motor, der diese Wahrscheinlichkeitsberechnungen nahtlos innerhalb eines logischen Rahmens funktionieren lässt.
Neuro-symbolisches Lernen (KI mit Regeln unterrichten):
Dies ist die „Killer-Applikation" für das Papier. Moderne KI (Neuronale Netze) lernt durch Versuch und Irrtum. Manchmal wollen wir die KI zwingen, strikten Regeln zu folgen (wie „Fahren Sie nicht durch eine rote Ampel").
- Das Problem: Frühere Versuche, Regeln mit KI zu mischen, scheiterten, weil die Regeln für die KI zu kantig waren, um daraus zu lernen.
- Die Lösung: Da diese neue Logik glatt (differenzierbar) ist, können Sie die Regeln direkt in den Trainingsprozess der KI einspeisen. Die KI kann „fühlen", wann sie eine Regel bricht, und ihr Verhalten anpassen, um diesen „Regelbruch-Score" zu minimieren.
- Das Papier erwähnt eine Begleitstudie, die zeigt, dass dies besser funktioniert als frühere „Fuzzy-Logik"-Versuche, die oft versagten, mathematische Leistung in tatsächliche Sicherheit umzusetzen.

Zusammenfassung

Die Autoren bauten einen universellen Übersetzer zwischen der starren Welt der mathematischen Logik und der fließenden Welt des maschinellen Lernens.

Sie schufen einen Drehknopf ( $p$ ), der es Ihnen ermöglicht, zwischen „perfekter Logik" und „glatter, lernbarer Logik" zu gleiten.
Sie verwandelten Beweise von einfachen „Ja/Nein"-Schaltern in Scores, die messen, wie gut eine Regel befolgt wird.
Sie bewiesen, dass dieses System Wahrscheinlichkeit und KI-Training handhaben kann, ohne die fundamentalen Gesetze der Logik zu brechen.

Es ist wie die Erfindung einer neuen Art von Ton, die weich genug ist, um in jede Form geformt zu werden (für KI), aber sofort zu einem perfekten Lego-Stein (für Mathematik) aushärtet, wann immer Sie ihn benötigen.

Technische Zusammenfassung: Quantitative Lineare Logik

1. Problemstellung

Der Artikel adressiert eine fundamentale Spannung bei der Anwendung reellwertiger Logiken (wie unscharfer Logiken und differenzierbarer Logiken) auf maschinelles Lernen und probabilistische Verifikation. Während diese Logiken es zulassen, dass Wahrheitswerte über die reelle Gerade (speziell $[0, \infty]$ ) statt über das binäre $\{0, 1\}$ variieren, haben sie Schwierigkeiten, logische Eigenschaften mit analytischen Anforderungen in Einklang zu bringen.

Insbesondere interpretieren Standard-unscharfe Logiken additive Konnektive (Konjunktion $\land$ und Disjunktion $\lor$ ) als Gitteroperationen (Minimum und Maximum). Diese Operationen sind „hart": Sie fehlen an glatter Monotonie und Differenzierbarkeit. In Kontexten des maschinellen Lernens, in denen Gradienten für die Optimierung essenziell sind, führt die Nicht-Differenzierbarkeit von Min/Max zu nicht-informativen Gradienten (fast überall Null-Ableitungen).

Versuche, diese durch „weiche" (differenzierbare) Approximationen zu ersetzen, etwa parametrisierte Familien von Operationen, stoßen auf ein „No-Go-Theorem" (Varnai und Dimarogonas): Eine weiche Operation kann nicht gleichzeitig assoziativ, idempotent und glatt monoton sein. Folglich opfern bestehende weiche Logiken oft logische Eigenschaften wie Assoziativität oder Idempotenz, oder sie zwingen additive Konnektive dazu, multiplikativ zu verhalten (was eine Kontextaufteilung erfordert), wodurch die strukturellen Prinzipien der linearen Logik gebrochen werden (speziell die Unterscheidung zwischen additiven und multiplikativen Konnektiven).

2. Methodik

Die Autoren schlagen eine radikale Revision des beweis-theoretischen Rahmens vor, um „weiche" Konnektive aufzunehmen, ohne die strukturelle Integrität der linearen Logik zu opfern. Ihre Methodik beruht auf zwei Säulen:

A. Algebraische Grundlagen: Die positiven Reellen

Die Logik ist auf den erweiterten positiven Reellen $[0, \infty]$ gegründet, die mit einer reichen algebraischen Struktur ausgestattet sind.

Multiplikative Struktur: Standard-Multiplikation ( $\otimes$ ) und ihr de-Morgan-duales, disjunktives Produkt ( $\otimes^*$ ) bilden einen $\ast$ -autonomen monoiden Poset.
Additive Struktur: Anstelle von harten Min/Max führen die Autoren eine Familie von $p$ -Summen ( $\oplus_p$ $\oplus_{p}$ ) und harmonischen $p$ -Summen ( $\oplus_{-p}$ $\oplus_{- p}$ ) ein, parametrisiert durch einen „Härtegrad" $p \in (0, \infty]$ $p \in (0, \infty]$ .
- $a \oplus_p b = (a^p + b^p)^{1/p}$
- $a \oplus_{-p} b = (a^{-p} + b^{-p})^{-1/p}$
- Wenn $p \to \infty$ , konvergieren diese Operationen punktweise zu den harten Gitteroperationen $\lor$ (Maximum) und $\land$ (Minimum).
- Für endliches $p$ sind diese Operationen glatt, streng monoton und assoziativ, aber nicht idempotent.

B. Quantitative Sequenzenkalküle

Der Artikel führt Quantitative Sequenzenkalküle ein, bei denen das Urteil eines Sequents $\Gamma \vdash \Delta$ kein boolescher Wahrheitswert, sondern eine reelle Zahl in $[0, \infty]$ ist.

Gültigkeit als Größe: Die Gültigkeit eines Beweises ist eine reelle Zahl, berechnet durch das Durchlaufen des Beweisbaums.
Strukturelle Revision: Im Standard-Sequenzenkalkül ist das implizite „und" zwischen Prämissen in Regeln mit mehreren Prämissen boolesch. In $p$ $p$ -QLL wird dies durch explizite reellwertige Operationen ersetzt.
- Beispielsweise kombiniert die Regel für additive Konjunktion ( $\land R$ ) die Gültigkeit zweier Prämissen unter Verwendung der harmonischen Summe $\oplus_{-p}$ , anstatt einer booleschen Konjunktion.
- Dies ermöglicht dem Kalkül, die additive Natur der Konnektive (Kontextteilung) beizubehalten, während glatte Operationen verwendet werden.
Der Kalkül ( $p$ -QLL): Das System ist durch $p$ indiziert. Es verallgemeinert Hypersequenzenkalküle (verwendet für unscharfe Logiken) und Deep Inference. Es umfasst strukturelle Regeln wie MIX und EFQ (Ex Falso Quodlibet), wobei EFQ den Aufbau von Beweisen für beliebige Sequente erlaubt, jedoch mit Gültigkeit 0, um Konsistenz sicherzustellen.

3. Hauptbeiträge

A. Der $p$ -QLL-Kalkül

Die Autoren definieren eine Familie von Kalkülen, $p$ -QLL, die als „weiche" Version der Multiplikativ-Additiven Linearen Logik (MALL) dient.

Weiche Additive: Die additiven Konnektive werden über $\oplus_p$ und $\oplus_{-p}$ definiert.
Isomix-Eigenschaft: Die Einheiten für Tensor ( $\otimes$ ) und Par ( $\&$ ) fallen zusammen (im Gegensatz zur Standard-MALL), ein Merkmal, das von der zugrundeliegenden algebraischen Struktur geerbt wird.
Quantitative Beweise: Beweise sind nicht nur gültig oder ungültig; sie besitzen einen Grad an Gültigkeit. Ein Beweis ist „effizient", wenn seine Gültigkeit hoch ist (nahe 1 oder $\infty$ , je nach Modus).

B. Beweis-theoretische Ergebnisse

Schnitteliminierung: Die Autoren beweisen einen Schnitteliminierungssatz für $p$ -QLL. Entscheidend ist, dass die Transformation von Beweisen während der Schnitteliminierung als nicht-abnehmend in der Gültigkeit gezeigt wird. Dies bedeutet, dass das Entfernen von Schnitten die „Qualität" des Beweises nicht verschlechtert; in einigen Fällen steigt die Gültigkeit sogar.
Konsistenz und Entscheidbarkeit: Das System ist konsistent (es existieren Sequente mit Beweisbarkeit 0) und entscheidbar (das Supremum der Beweisbarkeit ist ein Maximum, erreichbar durch einen endlichen Beweis).
Harte Grenze ( $p=\infty$ ): Wenn $p \to \infty$ , konvergiert der Kalkül zu einer „harten" Logik ( $\infty$ -QLL), die äquivalent zu MALL ist (speziell der Isomix-Variante).

C. Phänomenologie weicher Additiva

Der Artikel enthüllt neue Phänomene, die einzigartig für den quantitativen Kontext sind:

Verlust der Idempotenz: Während weiche Additiva nicht idempotent sind, wird der „Preis" dieses Verlusts quantifiziert. Beispielsweise gilt die Idempotenz einer weichen Konjunktion nur bis zu einem Faktor von $2^{-1/p}$ .
Ineffizienz der Expansion: $\eta$ -Expansion (Reduktion eines Axioms auf propositionale Variablen) zeigt sich als gültigkeitsmindernd im weichen Setting. Dies quantifiziert die „Ineffizienz" der Zerlegung weicher additiver Beweise und legt nahe, dass weiche Additiva auf eine Weise nicht zerlegbar sind, wie es Multiplikative nicht sind.
Prälinearität: Der Artikel untersucht die Rolle der Prälinearität (eine in der unscharfen Logik bekannte Eigenschaft) bei der Wiederherstellung der Effizienz von Beweisen, wobei eine vollständige Axiomatisierung zukünftigen Arbeiten vorbehalten bleibt.

D. Algebraische Semantik: Softales

Die Autoren führen Softales ein, die $[0, \infty]^\otimes$ -angereicherte Vorordnungen sind, ausgestattet mit monoidaler Struktur und „weichen $p$ -Join".

Korrektheit und Vollständigkeit: Sie beweisen, dass $p$ -QLL bezüglich Softales korrekt und vollständig ist.
Syntaktische Softales: Sie konstruieren eine syntaktische Softale, bei der die Ordnungsrelation durch die Beweisbarkeit von Sequenten definiert ist, und etablieren so ein freies Modell für die Logik.

4. Ergebnisse und Anwendungen

A. Verbindung zur Bayes'schen Wahrscheinlichkeit

Der Artikel zeigt, dass $1$-QLL (wobei $p=1$ ) Bayes'sche Wahrscheinlichkeit natürlich modelliert.

In diesem Setting entspricht die multiplikative Struktur der Konjunktion (Wahrscheinlichkeit des Schnitts), und die additive Struktur entspricht der Disjunktion (Odds).
Die Beweisbarkeit eines Sequents $A \vdash B$ entspricht der bedingten Wahrscheinlichkeit $P(B|A)$ (oder den Odds) und bietet so eine logische Grundlage für probabilistisches Schließen.

B. Neuro-symbolisches Lernen und differenzierbare Logik

Der Artikel positioniert $p$ -QLL als Lösung für die Spannung zwischen logischen Eigenschaften und Differenzierbarkeit im maschinellen Lernen.

Differenzierbare Semantik: Durch die Abbildung der multiplikativen Reellen auf additive Reelle via Napier-Isomorphismus ( $-\log$ ) werden die Operationen $\oplus_p$ und $\oplus_{-p}$ zu glatten Log-Sum-Exp- und harmonischen Log-Sum-Exp-Funktionen.
Gradientenfluss: Diese Operationen haben nicht-verschwindende partielle Ableitungen, was sie für gradientenbasierte Optimierung geeignet macht (z. B. Training neuronaler Netze mit logischen Constraints).
Kontinuierliche Verifikation: Die Autoren verweisen auf eine begleitende Studie, die zeigt, dass $p$ -QLL die Lücke zwischen eigenschaftsgesteuertem Training und formaler Verifikation schließen kann, und bieten eine Logik an, bei der das Trainingsziel (Verlustfunktion) und die Verifikationsmetrik abgestimmt sind.

5. Bedeutung und Behauptungen

Der Artikel behauptet, das Rätsel der „weichen Konnektive" zu lösen, indem er die Natur des logischen Urteils selbst neu definiert.

Verallgemeinerung: Er präsentiert $p$ -QLL als natürliche Verallgemeinerung, die lineare Logik und unscharfe Logik vereint, und zeigt, dass MALL ein Grenzfall einer Familie quantitativer Logiken ist.
Beweis-theoretische Integrität: Im Gegensatz zu früheren Versuchen, die Assoziativität oder Idempotenz opferten, bewahrt $p$ -QLL die strukturellen Regeln der linearen Logik (Vertauschung, Kontraktion usw.), indem er den „Preis" der Weichheit in die quantitative Gültigkeit des Beweises verlagert, anstatt in die strukturellen Regeln selbst.
Praktischer Nutzen: Das Framework bietet eine mathematisch rigorose Grundlage für differenzierbare Logiken und ermöglicht die Integration logischer Spezifikationen direkt in die Trainingsziele von Machine-Learning-Modellen, ohne die Gradientenpathologien, die in Standard-unscharfen Logiken zu finden sind.

Die Autoren schließen, dass der Verlust der Idempotenz ein notwendiger Kompromiss für Glattheit ist, dieser Verlust jedoch innerhalb des beweistheoretischen Rahmens präzise quantifizierbar und handhabbar ist, was neue Wege zur Verbindung linearer Logik mit neuro-symbolischer KI eröffnet.