🤖 AI

Delta1 with LLM: symbolic and neural integration for credible and explainable reasoning

यह शोध पत्र Delta1 with LLM को प्रस्तुत करता है, जो एक न्यूरो-सिम्बोलिक फ्रेमवर्क है जो स्वास्थ्य सेवा और अनुपालन जैसे महत्वपूर्ण डोमेन में विश्वसनीय, ऑडिट करने योग्य और स्वाभाविक रूप से व्याख्यात्मक तर्क उत्पन्न करने के लिए ऑटोमेटेड थ्योरम जनरेटर Delta1 के नियत (deterministic), बहुपद-समय (polynomial-time) प्रमेय जनरेशन को लार्ज लैंग्वेज मॉडल्स के साथ जोड़ता है।

मूल लेखक: Yang Xu, Jun Liu, Shuwei Chen, Chris Nugent, Hailing Guo

प्रकाशित 2026-03-16

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yang Xu, Jun Liu, Shuwei Chen, Chris Nugent, Hailing Guo

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक घर बनाने की कोशिश कर रहे हैं, लेकिन आपके ब्लूप्रिंट में एक छिपा हुआ दोष है: निर्देश कहते हैं कि छत बर्फ की होनी चाहिए, दीवारें आग की और नींव पानी की। यदि आप इसे ठीक वैसे ही बनाने का प्रयास करते हैं जैसा लिखा है, तो घर तुरंत ढह जाएगा।

अब, दो अलग-अलग विशेषज्ञों की कल्पना करें जो इसे ठीक करने में आपकी मदद करने की कोशिश कर रहे हैं:

"मैथ विजार्ड" (प्रतीकात्मक तर्क/Symbolic Logic): यह विशेषज्ञ अविश्वसनीय रूप से सटीक है। वे आपके ब्लूप्रिंट को देखते हैं और कहते हैं, "यदि आप 'बर्फ की छत' वाला निर्देश हटा दें, तो घर खड़ा रह सकता है।" वे गणितीय रूप से इसे 100% बार सिद्ध कर सकते हैं, बिना किसी अनुमान के। हालाँकि, वे केवल जटिल समीकरणों और प्रतीकों में बात करते हैं। वे आपको यह तो बता सकते हैं कि घर क्यों गिरेगा, लेकिन वे इसे सामान्य व्यक्ति के समझने योग्य तरीके से समझा नहीं सकते।
"स्टोरीटेलर" (लार्ज लैंग्वेज मॉडल/LLM): यह विशेषज्ञ मानवीय भाषा बोलने में माहिर है। वे ब्लूप्रिंट को देखकर कह सकते हैं, "ओह, धूप में बर्फ की छत पिघल जाती है!" लेकिन यदि आप उनसे यह सिद्ध करने के लिए कहें कि घर क्यों गिरा, तो वे अनुमान लगा सकते हैं, भ्रमित हो सकते हैं, या कोई ऐसा कारण बना सकते हैं जो सुनने में तो अच्छा लगे लेकिन वास्तव में गलत हो।

यह पेपर "∆1 + LLM" नामक एक नई टीम पेश करता है जो दोनों दुनियाओं के सर्वश्रेष्ठ गुणों को जोड़ता है।

मुख्य विचार: "निर्माण द्वारा व्याख्यात्मकता" (Explainability by Construction)

घर बनाने के बाद यह समझाने की कोशिश करने के बजाय कि वह क्यों गिरा (जो कि अव्यवस्थित और अक्सर गलत होता है), यह प्रणाली निर्माण प्रक्रिया की शुरुआत से ही व्याख्या को इसमें शामिल कर देती है।

यह टीम कैसे काम करती है, यहाँ एक सरल उपमा के माध्यम से चरण-दर-चरण दिया गया है:

1. अनुवादक (फ्रंट-एंड LLM)

सबसे पहले, आप सिस्टम को नियमों का एक अव्यवस्थित पैराग्राफ देते हैं (जैसे कि कोई चिकित्सा नीति या कानूनी अनुबंध)।

क्या होता है: "स्टोरीटेलर" आपके टेक्स्ट को पढ़ता है और उसे सरल तथ्यों की एक साफ सूची में अनुवादित करता है (जैसे "मरीज को संक्रमण है" या "डेटा साझा किया गया है")। यह आपके अव्यवस्थित अंग्रेजी को सामग्री की एक संरचित सूची में बदल देता है।

2. लॉजिक इंजन (∆1 जनरेटर)

यह "मैथ विजार्ड" है। यह आपकी सामग्रियों की सूची लेता है और एक विशेष, नियत एल्गोरिदम (जिसे FTSC कहा जाता है) चलाता है।

क्या होता है: अनुमान लगाने के बजाय, यह गणितीय रूप से हर उस तरीके का निर्माण करता है जिससे ये सामग्रियां आपस में टकरा सकती हैं। यह उन नियमों के सबसे छोटे समूह को खोज निकालता है जो समस्या पैदा करते हैं।
जादू: यह केवल यह नहीं कहता कि "एक समस्या है।" बल्कि यह कहता है, "यदि आप इस विशिष्ट नियम (नियम D) को हटा दें, तो संघर्ष समाप्त हो जाएगा।" यह बिना किसी अनुमान के, एक अनुमानित समय में ऐसा करता है। यह गारंटी देता है कि जो समस्या इसने खोजी है वह वास्तविक और न्यूनतम है।

3. अनुवादक (बैक-एंड LLM)

अब, "मैथ विजार्ड" अपना परिणाम "स्टोरीटेलर" को सौंप देता है।

क्या होता है: स्टोरीटेलर उस विशिष्ट नियम को देखता है जिसे मैथ विजार्ड ने चिह्नित किया है और कहता है, "आह! यह नियम कहता है 'यदि आपको बुखार है, तो एंटीबायोटिक्स लें।' लेकिन दूसरा नियम कहता है 'यदि आपको वायरस है, तो एंटीबायोटिक्स न लें।' सिस्टम ने पाया कि ये दोनों नियम एक साथ अस्तित्व में नहीं रह सकते।"
परिणाम: यह आपको एक स्पष्ट, मानवीय भाषा में व्याख्या देता है: "आपकी नीति विरोधाभासी है। आप एक ही समय में दोनों नियमों को लागू नहीं कर सकते। इसे ठीक करने का तरीका यहाँ है..."

यह एक बड़ी बात क्यों है?

1. "ब्लैक बॉक्स" अनुमानों का अंत
आमतौर पर, जब AI कोई समस्या पाता है, तो हमें नहीं पता होता कि वह सही है या AI ने कुछ मनगढ़ंत बनाया है। इस प्रणाली के साथ, "मैथ विजार्ड" वाला हिस्सा 100% प्रमाणित है। यदि सिस्टम कहता है कि कोई विरोधाभास है, तो निश्चित रूप से एक विरोधाभास है। तर्क अटूट है।

2. "क्या" से "कैसे" तक
पुराने सिस्टम शायद आपको बता दें, "आपका अनुबंध अमान्य है।" यह सिस्टम आपको बताएगा, "आपका अनुबंध अमान्य है क्योंकि क्लॉज A, क्लॉज B के साथ संघर्ष करता है, और क्लॉज A को ठीक करने के लिए इसे कैसे फिर से लिखा जाए, इसका तरीका यहाँ है।" यह एक निदान (diagnosis) को एक नुस्खे (prescription) में बदल देता है।

3. यह वास्तविक जीवन में काम करता है
यह पेपर तीन डरावने लेकिन महत्वपूर्ण क्षेत्रों में इसे काम करते हुए दिखाता है:

स्वास्थ्य सेवा (Healthcare): उन नियमों को पकड़ना जहाँ डॉक्टर को मरीज के लिए दो विपरीत निर्देश दिए जाते हैं (जैसे, "दवा X से उपचार करें" बनाम "यदि मरीज को स्थिति Y है तो दवा X न दें")।
कानून और अनुपालन (Law & Compliance): यह पता लगाना कि कहाँ किसी कंपनी की गोपनीयता नीति सरकारी विनियमन के साथ विरोधाभास करती है (जैसे, "हमें डेटा साझा करना चाहिए" बनाम "हमें डेटा कभी साझा नहीं करना चाहिए")।
अनुबंध (Contracts): किसी व्यावसायिक सौदे में उन क्लॉज़ों को पहचानना जो कागज पर हस्ताक्षर करने से पहले ही एक-दूसरे को रद्द कर देते हैं।

निचोड़

∆1 + LLM को जटिल नियमों के लिए एक सुपर-पावर्ड एडिटर के रूप में समझें।

गणित वाला हिस्सा सुनिश्चित करता है कि संपादन तार्किक रूप से पूर्ण है और कभी गलती नहीं करता।
AI वाला हिस्सा सुनिश्चित करता है कि संपादन के सुझाव सरल अंग्रेजी में लिखे गए हैं जिन्हें इंसान वास्तव में समझ और अमल में ला सकते हैं।

यह "ठंडे, कठोर गणित" और "गर्म, मानवीय बातचीत" के बीच के अंतर को पाटता है, जिससे एक ऐसी प्रणाली बनती है जो न केवल स्मार्ट है बल्कि विश्वसनीय और व्याख्या योग्य भी है। यह हमें "कंप्यूटर ने मना कर दिया" से "कंप्यूटर ने मना किया है, और इसके पीछे का सटीक कारण यह है, और इसे ठीक करने का तरीका यह है" की ओर ले जाता है।

यहाँ शोध पत्र "∆1–LLM: विश्वसनीय और व्याख्यात्मक तर्क के लिए प्रतीकात्मक-तंत्रिका एकीकरण (Symbolic–Neural Integration for Credible and Explainable Reasoning)" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

वर्तमान न्यूरो-सिम्बोलिक तर्क प्रणालियाँ एक मौलिक व्यापार-संतुलन (trade-off) का सामना करती हैं:

प्रतीकात्मक तर्क (जैसे, ऑटोमेटेड थ्योरम प्रूवर्स): यह औपचारिक सुदृढ़ता (formal soundness), प्रमाणित शुद्धता और पारदर्शी अनुमान संरचना प्रदान करता है, लेकिन इसमें भाषाई अभिव्यक्ति की कमी होती है और यह अक्सर अपारदर्शी, असंरचित प्रमाण पदचिह्नों (proof traces) को उत्पन्न करता है जिन्हें मनुष्यों के लिए समझना कठिन होता है।
तंत्रिका मॉडल (जैसे, लार्ज लैंग्वेज मॉडल्स - LLMs): ये प्रवाह, अनुकूलन क्षमता और प्राकृतिक भाषा उत्पादन प्रदान करते हैं, लेकिन ये स्टोकेस्टिक प्रक्रियाओं (stochastic processes) पर निर्भर होते हैं, जिनमें तार्किक शुद्धता या सत्यापन योग्य सुदृढ़ता का अभाव होता है।

मौजूदा हाइब्रिड दृष्टिकोण अक्सर तंत्रिका आर्किटेक्चर में प्रतीकात्मक बाधाओं को एम्बेड करते हैं या प्रमाण संश्लेषण के लिए LLMs का उपयोग करते हैं, फिर भी वे शुद्धता की औपचारिक गारंटी प्रदान करने में विफल रहते हैं और साथ ही मानव-स्तर की व्याख्यात्मकता भी नहीं दे पाते। एक ऐसे ढांचे की महत्वपूर्ण आवश्यकता है जो 'पोस्ट-हॉक' सन्निकटन (post-hoc approximation) के बजाय, डिज़ाइन द्वारा ही तर्क की कठोरता को भाषा की व्याख्यात्मकता के साथ एकीकृत करे।

2. कार्यप्रणाली: ∆1 + LLM ढांचा (Methodology: The ∆1 + LLM Framework)

यह शोध पत्र एक एंड-टू-एंड पाइपलाइन प्रस्तावित करता है जिसे ∆1 + LLM कहा जाता है, जो एक नियत (deterministic) प्रतीकात्मक थ्योरम जनरेटर (∆1) को एक तंत्रिका भाषा परत (LLM) के साथ एकीकृत करता है। यह आर्किटेक्चर "निर्माण द्वारा व्याख्यात्मकता" (Explainability by Construction) के सिद्धांत पर कार्य करता है।

A. प्रतीकात्मक कोर: ∆1 (ऑटोमेटेड थ्योरम जनरेटर)

∆1 एक नियत इंजन है जो फुल ट्रायंगुलर स्टैंडर्ड कॉन्ट्राडिक्शन (FTSC) स्कीमा पर आधारित है। पारंपरिक ATPs के विपरीत जो खोज (search), रेज़ोल्यूशन या बैकट्रैकिंग पर निर्भर करते हैं, ∆1 सिद्धांतों का निर्माण रचनात्मक रूप से करता है।

इनपुट: $n$ विशिष्ट, गैर-पूरक परमाणु विधेयों (atomic predicates) का एक सेट ( $L = \{x_1, ..., x_n\}$ )।
तंत्र (Mechanism): ∆1 एक विशिष्ट क्लॉज सेट $S$ $S$ (FTSC) का निर्माण करता है जो इस प्रकार परिभाषित है:
- $D_1 = x_1$
- $D_2 = x_2 \lor \neg x_1$
- ...
- $D_t = x_t \lor \neg x_1 \lor ... \lor \neg x_{t-1}$
- ...
- $D_{n+1} = \neg x_1 \lor \neg x_2 \lor ... \lor \neg x_n$
थ्योरम जनरेशन: प्रत्येक क्लॉज $C \in S$ के लिए, ∆1 एक थ्योरम बनाता है जिसका रूप $S \setminus \{C\} \vdash \neg C$ है। यह सिद्ध करता है कि असंतोषजनक सेट $S$ से किसी भी एकल क्लॉज को हटाने से संतुष्टता (satisfiability) बहाल हो जाती है, जबकि शेष क्लॉज हटाए गए क्लॉज का तार्किक रूप से खंडन करते हैं।
गुणधर्म:
- नियत (Deterministic): कोई खोज या यादृच्छिकता नहीं; प्रत्येक कैनोनिकल सेट के लिए प्रक्रिया $O(n^3)$ है।
- न्यूनतम असंतोषजनकता (Minimal Unsatisfiability): प्रत्येक उत्पन्न थ्योरम निर्माण द्वारा एक मिनिमल अनसैटिस्फिएबल सबसेट (MUS) के अनुरूप होता है।
- पूर्णता (Completeness): यह इनपुट लिटरल्स के सभी संरचनात्मक क्रमपरिवर्तनों (permutations) को कवर करने वाले ठीक $n!$ गैर-अनावश्यक, गैर-तुल्य थ्योरम उत्पन्न करता है।
- सुदृढ़ता (Soundness): औपचारिक वैधता FTSC की परिभाषा द्वारा गारंटीकृत है।

B. तंत्रिका परत: LLM एकीकरण (The Neural Layer: LLM Integration)

LLM एक अर्थ संबंधी व्याख्याकार (semantic interpreter) और रैंकिंग इंजन के रूप में कार्य करता है, जो औपचारिक तर्क और मानवीय समझ के बीच के अंतर को पाटता है।

फ्रंट-एंड: प्राकृतिक भाषा के डोमेन नियमों को TPTP सिंटैक्स में परमाणु विधेयों (लॉजिकल फॉर्म्स) में परिवर्तित करता है।
बैक-एंड: ∆1 द्वारा उत्पन्न स्पष्ट प्रमाण पदचिह्नों और थ्योरम्स को लेता है और उन्हें सुसंगत प्राकृतिक भाषा स्पष्टीकरणों में रूपांतरित करता है, जो विरोधाभासों के पीछे के "क्यों" की पहचान करते हैं और सुधारात्मक उपायों का सुझाव देते हैं।
रैंकिंग: संदर्भगत महत्व (contextual salience), नवीनता या डोमेन महत्व के आधार पर थ्योरम्स को रैंक करने के लिए वैकल्पिक रूप से उपयोग किया जाता है।

C. पाइपलाइन प्रवाह (The Pipeline Flow)

विधेयक निष्कर्षण (Predicate Extraction): प्राकृतिक भाषा इनपुट $\rightarrow$ तार्किक विधेय (Logical predicates)।
नियत जनरेशन (Deterministic Generation): ∆1 FTSC का निर्माण करता है और स्पष्ट प्रमाण पदचिह्नों के साथ न्यूनतम थ्योरम ( $S \setminus \{C\} \vdash \neg C$ ) उत्पन्न करता है।
वर्बलाइजेशन (Verbalization): LLM तार्किक निर्भरताओं को प्राकृतिक भाषा के तर्कों और सुधार रणनीतियों में अनुवादित करता है।

तुलनात्मक योगदान (Key Contributions)

निर्माण द्वारा व्याख्यात्मकता (Explainability by Construction): यह प्रणाली केवल बाद में व्याख्या नहीं करती; यह ऐसा तर्क उत्पन्न करती है जो स्वाभाविक रूप से व्याख्या योग्य है। प्रत्येक स्पष्टीकरण एक नियत, सत्यापन योग्य प्रमाण पदचिह्न पर आधारित है।
न्यूरो-सिम्बोलिक AI में औपचारिक गारंटी: यह पहला ढांचा है जो एक औपचारिक रूप से गारंटीकृत, गैर-खोज (non-search) थ्योरम जनरेटर को LLMs के साथ जोड़ता है, जिससे यह सुनिश्चित होता है कि आउटपुट तार्किक रूप से सुदृढ़ और भाषाई रूप से बोधगम्य दोनों है।
खोज इंजन के रूप में न्यूनतम असंतोषजनकता (Minimal Unsatisfiability as a Discovery Engine): ∆1 'MUS निष्कर्षण' को एक खोज समस्या से एक रचनात्मक जनरेशन समस्या में बदल देता है, जो किसी भी दिए गए विधेयों के लिए न्यूनतम विरोधाभासों का एक परिमित, पूर्ण ब्रह्मांड उत्पन्न करता है।
कार्यवाही योग्य सुधार (Actionable Remediation): यह प्रणाली केवल पहचान तक सीमित नहीं है, बल्कि यह विशिष्ट, डोमेन-संरेखित सुझाव देकर समाधान भी प्रदान करती है (जैसे, नियमों में क्वालीफायर जोड़ना, बाधाओं को शिथिल करना)।

4. परिणाम और अनुभवजन्य मूल्यांकन (Results and Empirical Evaluation)

इस ढांचे का मूल्यांकन स्वास्थ्य सेवा (Healthcare), अनुपालन (Compliance), नियामक अनुरूपता (Regulatory Conformance) और अनुबंध शासन (Contract Governance) जैसे उच्च-जोखिम वाले डोमेन में किया गया।

चिकित्सा तर्क (Medical Reasoning):
- परिदृश्य: संक्रमण, WBC काउंट, बुखार और एंटीबायोटिक आवश्यकताओं के संबंध में नियम।
- परिणाम: ∆1 ने पहचाना कि चारों स्थितियों का संयोजन एक वैश्विक विरोधाभास पैदा करता है। LLM ने समझाया कि "संक्रमण का दावा करना अकेले ही निरंतरता का उल्लंघन करता है" क्योंकि डाउनस्ट्रीम बाधाएं मौजूद हैं, और सुधार के रूप में "पुष्टि परीक्षण" या "गंभीरता स्तर" जोड़ने का सुझाव दिया।
अनुपालन और विनियमन (Compliance & Regulation):
- परिदृश्य: GDPR (डेटा पोर्टेबिलिटी) और HIPAA (डेटा प्रतिधारण) के बीच संघर्ष।
- परिणाम: सिस्टम ने "डेटा पोर्टेबिलिटी" को न्यूनतम असंगत विधेय के रूप में पहचाना। LLM ने "मुक्त हस्तांतरण/उन्मूलन" और "भंडारण/प्रतिबंधित साझाकरण" के बीच तनाव को समझाया, और संतुष्टता बहाल करने के लिए विशिष्ट नीति समायोजनों का सुझाव दिया।
अनुबंध विश्लेषण (Contract Analysis):
- परिदृश्य: आपूर्ति समझौतों में असंगत खंड (अनन्यता बनाम समाप्ति अधिकार)।
- परिणाम: सिस्टम ने पता लगाया कि बिना शर्त समाप्ति अधिकार, अनन्यता और दंड खंडों के साथ विरोधाभास रखते हैं। इसने विरोधाभास को हल करने के लिए समाप्ति को "उचित कारण" (just cause) पर आधारित करने का सुझाव दिया।
प्रदर्शन (Performance): यह प्रणाली निर्माण के लिए $O(n^3)$ जटिलता के साथ नियत रूप से कार्य करती है। केस स्टडीज ( $n=4$ से $n=5$ के साथ) ने प्रदर्शित किया कि पाइपलाइन बाहरी SAT सॉल्वर या प्रमाण सत्यापन की आवश्यकता के बिना ऑडिट योग्य, पुनरुत्पादनीय और डोमेन-संरेखित तर्क उत्पन्न करती है।

5. महत्व और प्रभाव (Significance and Impact)

अंतराल को पाटना: यह कार्य सफलतापूर्वक प्रतीकात्मक तर्क की "सत्य-संरक्षण" प्रकृति को तंत्रिका भाषा मॉडल की "अर्थ-खोजने" वाली प्रकृति के साथ जोड़ता है, जो LLMs की "ब्लैक बॉक्स" समस्या और पारंपरिक ATPs की "अपारदर्शिता" की समस्या को संबोधित करता है।
विश्वसनीय AI (Trustworthy AI): यह सुनिश्चित करके कि प्रत्येक स्पष्टीकरण एक गणितीय रूप से सिद्ध, न्यूनतम विरोधाभास द्वारा समर्थित है, यह प्रणाली कानून, चिकित्सा और वित्त जैसे महत्वपूर्ण क्षेत्रों में ऑडिट योग्य AI के लिए एक आधार प्रदान करती है।
नया बेंचमार्क: ∆1 जनरेटर "व्याख्यात्मकता के लिए TPTP" प्रदान करता है—न्यूनतम विरोधाभासों का एक संरचित, ग्राउंड-ट्रुथ डेटासेट जो भविष्य की न्यूरो-सिम्बोलिक प्रणालियों की तर्क क्षमताओं को बेंचमार्क करने के लिए उपयोग किया जा सकता है।
प्रतिमान में बदलाव (Shift in Paradigm): यह शोध पत्र "स्वचालित थ्योरम प्रमाणन" (प्रमाण खोजना) से "स्वचालित थ्योरम समझ" (विरोधाभासों की तार्किक संरचना को उत्पन्न करना और समझाना) की ओर संक्रमण का तर्क देता है, जो आत्म-चिंतनशील, मानव-संरेखित AI एजेंटों का मार्ग प्रशस्त करता है।

निष्कर्षतः, ∆1–LLM न्यूरो-सिम्बोलिक AI में एक सिद्धांतपूर्ण प्रगति का प्रतिनिधित्व करता है, जो यह प्रदर्शित करता है कि कठोर तार्किक सुदृढ़ता और मानव-केंद्रित व्याख्यात्मकता परस्पर अनन्य नहीं हैं, बल्कि इन्हें रचनात्मक थ्योरम जनरेशन के माध्यम से एक साथ प्राप्त किया जा सकता है।