Logic Programming Semantics for Causal Processes

Stellen Sie sich vor, Sie beobachten eine riesige, unsichtbare Maschine, die vollständig aus Regeln besteht. Dies ist keine Maschine mit Zahnrädern und Kolben, sondern eine „Logikmaschine“, bei der jedes Teil aus einer einfachen „Wenn-Dann“-Aussage besteht. Wenn das Licht an ist, dann dreht sich der Ventilator. Wenn der Ventilator sich dreht, dann wird der Raum kühl. In der Welt der Informatik wird dies als Logische Programmierung bezeichnet. Es ist das Gehirn dahinter, wie Computer schlussfolgern, Rätsel lösen und sogar modellieren, wie unser Körper funktioniert. Betrachten Sie es als eine Reihe von Anweisungen, die eine Geschichte darüber erzählen, wie sich Dinge im Laufe der Zeit verändern.

Aber hier ist der knifflige Teil: Was passiert, wenn die Regeln zu sich selbst zurückschleifen? Stellen Sie sich eine Regel vor, die besagt: „Wenn der Ventilator sich dreht, geht das Licht an“, und eine andere, die besagt: „Wenn das Licht angeht, dreht sich der Ventilator.“ Wenn man mit beiden aus startet, passiert nichts. Aber wenn man das Licht versehentlich anknipst, dreht sich der Ventilator, was das Licht für immer an der hält. Dies ist ein kausaler Prozess: eine Kette von Ereignissen, bei der eine Sache eine andere verursacht, welche wiederum die nächste verursacht und so weiter. Wissenschaftler beschäftigen sich intensiv damit, weil diese Schleifen überall in der realen Welt vorkommen. Sie beschreiben, wie sich Krankheiten ausbreiten, wie Ökosysteme sich erholen oder wie die Stimmung eines Menschen in einem Zyklus der Traurigkeit feststecken kann. Die große Frage lautet: Wenn wir diese Regeln aufschreiben, woher wissen wir, was die Maschine langfristig tatsächlich tun wird? Wird sie sich beruhigen oder wird sie ewig hin und her springen?

Diese Arbeit, geschrieben von Felix Weitkämper, taucht genau in diese Frage ein. Sie fungiert wie ein Übersetler, der versucht, zwei verschiedene Arten, diese Logikmaschinen zu betrachten, miteinander zu verbinden. Auf der einen Seite gibt es Supported Models (gestützte Modelle), die wie „mögliche Endzustände“ sind, die die Maschine erreichen könnte, wenn man sie von einem beliebigen zufälligen Zustand aus startet. Auf der anderen Seite gibt es Stable Models (stabile Modelle), welche die „wahren, natürlichen Endzustände“ sind, die die Maschine findet, wenn man sie aus einem völlig leeren, neutralen Zustand heraus startet und sie ohne äußere Einwirkung laufen lässt.

Die Hauptentdeckung des Autors ist eine klare Landkarte darüber, wie diese beiden Konzepte mit Zeit und Kausalität zusammenhängen. Er beweist, dass, wenn man eine Menge von Regeln hat, die kein „Nicht“ verwenden (positive Logikprogramme), das Stable Model genau das ist, was passiert, wenn man mit „Nichts“ beginnt und die Regeln ewig laufen lässt, ohne dass es Stöße oder Fehler gibt. Es ist die „Standard“-Zukunft der Maschine. Supported Models hingegen sind viel flexibler; sie repräsentieren jeden Zustand, in dem die Maschine schließlich stecken bleiben könnte, selbst wenn man mit einem seltsamen, durcheinandergewürfelten Anfang gestartet ist oder wenn jemand einen Stoß gegeben hat.

Um dies konkret zu machen, stellen Sie sich zwei benachbarte Häuser vor, Haus A und Haus B, mit einer magischen Regel: „Wenn Haus A brennt, brennt Haus B“, und „Wenn Haus B brennt, brennt Haus A“.

• Die Sicht des Stable Model: Wenn man mit beiden Häusern sicher und kalt startet und niemand jemals ein Streichholz wirft, bleiben sie für immer sicher. Der „stabile“ Zustand ist „Nichts brennt“. Das ist das, was die Maschine tut, wenn sie allein gelassen wird.
• Die Sicht des Supported Model: Aber was, wenn zu Beginn ein Blitz in Haus A einschlägt? Nun brennt Haus A, was dazu führt, dass Haus B brennt, was wiederum Haus A brennen lässt. Dies ist ein gültiger „gestützter“ Zustand, weil die Regeln ihn perfekt erklären. Die Arbeit zeigt, dass dieser Zustand „beide brennen“ ein Supported Model ist, aber kein Stable Model, weil er diesen anfänglichen „Kick“ (den Blitz) benötigt, um überhaupt in Gang zu kommen.

Die Arbeit untersucht auch, was passiert, wenn die Maschine unterbrochen wird. Wenn man die Häuser brennend startet, könnten sie brennend bleiben. Aber wenn man mit nur brennendem Haus A startet und die Regeln den Zustand ständig hin und her werfen (A brennt, dann brennt B, dann b렵 A wieder), kommt die Maschine nie zur Ruhe. Sie hat keinen „endgültigen Zustand“. Der Autor zeigt, dass für diese spezifischen Arten von Regelsätzen der einzige Weg, eine einzige, unveränderliche Zukunft zu garantieren, darin besteht, von einem neutralen Ort aus zu starten und die Regeln reibungslos ablaufen zu lassen.

Der Autor weist sehr sorgfältig darauf hin, dass dieses klare Bild nur für „positive“ Regeln (Regeln ohne „Nicht“) gilt. Wenn man das „Nicht“ ins Spiel bringt, wird die Geschichte chaotisch. Er gibt ein Beispiel, bei dem eine Maschine mit einer „Nicht“-Regel in einer Schleife stecken bleiben kann, die wie ein gültiges Ende aussieht, obwohl sie nicht entstehen würde, wenn man bei Null anfangen würde. Das bedeutet, dass die saubere Verbindung zwischen dem „Laufenlassen der Maschine“ und dem „Finden des Stable Models“ zusammenbricht, wenn die Dinge komplizierter werden.

Letztendlich legt diese Arbeit nahe, dass wir, wenn wir Logik verwenden, um reale Prozesse zu modellieren – wie etwa wie sich Symptome bei einem Patienten gegenseitig beeinflussen können –, vorsichtig sein müssen, nach welchem „Ende“ wir suchen. Wenn wir wissen wollen, was ein System natürlich tut, suchen wir nach dem Stable Model. Wenn wir wissen wollen, was passieren könnte, wenn das System gestört wird oder in einem seltsamen Zustand startet, suchen wir nach den Supported Models. Es ist ein wenig so, als wüsste man den Unterschied zwischen einem Fluss, der natürlich zum Meer fließt (stabil), und einer Pfütze, die entsteht, weil jemand einen Eimer Wasser verschüttet hat (gestützt). Beides ist Wasser, aber beide erzählen unterschiedliche Geschichten darüber, wie die Welt funktioniert.