🤖 machine learning

The Logical Expressiveness of Topological Neural Networks

यह शोध पत्र प्रस्तावित $k$ -CCWL आइसोमोर्फिज्म टेस्ट, नव-परिचिय टोपोलॉजिकल काउंटिंग लॉजिक (TC $_{k+2}$ ), और एक टोपोलॉजिकल पेबल गेम के बीच सटीक समानता को सिद्ध करके टोपोलॉजिकल न्यूरल नेटवर्क के लिए एक तार्किक अभिव्यक्तता सिद्धांत स्थापित करता है, जिससे उन बाइनरी क्लासिफायर्स का सटीक वर्ग निर्धारित होता जिन्हें ये नेटवर्क प्रदर्शित कर सकते हैं।

मूल लेखक: Amirreza Akbari, Amauri H. Souza, Vikas Garg

प्रकाशित 2026-04-22

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Amirreza Akbari, Amauri H. Souza, Vikas Garg

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 कंप्यूटर को दुनिया के आकार को समझना सिखाने की कोशिश कर रहे हैं।

लंबे समय से, कंप्यूटर ग्राफ (graphs) को देखने में बहुत कुशल रहे हैं—बिंदुओं (nodes) और उन्हें जोड़ने वाली रेखाओं (edges) का एक नेटवर्क। सोशल नेटवर्क, सड़क मानचित्र, या अणुओं के बारे में सोचें। इसके लिए मानक उपकरण ग्राफ न्यूरल नेटवर्क (GNN) है। यह पड़ोसियों के बीच बातचीत करने वाले एक समूह की तरह काम करता है: "हे, तुम्हारा नाम क्या है? तुम्हारे पड़ोसी का नाम क्या है? ठीक है, मैं अपने नाम को इस आधार पर अपडेट करूँगा जो मैंने सुना है।"

हालाँकि, इन "बातूनी" कंप्यूटरों की एक अंधाधुंध दृष्टि (blind spot) है। वे उन लोगों की तरह हैं जो केवल उन्हीं से मतलब रखते हैं जो उनके बगल में खड़े हैं। उन्हें यह देखने में कठिनाई होती है कि क्या लोगों का एक समूह एक आदर्श घेरा, एक त्रिकोण, या एक जटिल 3D संरचना बना रहा है। वे दो ऐसे आकारों के बीच अंतर नहीं कर सकते जो स्थानीय रूप से (locally) समान दिखते हैं लेकिन वैश्विक रूप से (globally) अलग तरह से व्यवस्थित होते हैं।

"टोपोलॉजिकल" अपग्रेड का आगमन

इसे ठीक करने के लिए, शोधकर्ताओं ने टोपोलॉजिकल न्यूरल नेटवर्क (TNNs) का आविष्कार किया। केवल बिंदुओं और रेखाओं को देखने के बजाय, TNNs आकारों (shapes) को समझते हैं। वे समझते हैं कि एक त्रिकोण केवल तीन रेखाएं नहीं है; यह उन रेखाओं से बनी एक सतह (2D आकार) है। वे "उच्च-क्रम" (higher-order) संबंधों को देख सकते हैं, जैसे कि कैसे दो किनारे एक कोने को साझा करते हैं, या कैसे किनारों का एक समूह एक खोखले बुलबुले का निर्माण करता है।

लेकिन यहाँ बड़ा सवाल यह था: ये नए TNNs वास्तव में कितने स्मार्ट हैं? क्या वे सब कुछ देख सकते हैं, या उनकी अभी भी कुछ कमियां हैं?

"स्मार्टनेस" को मापने के तीन तरीके

इस शोध पत्र के लेखकों ने TNNs की "बुद्धिमत्ता" को तीन अलग-अलग दृष्टिकोणों से मापने का निर्णय लिया, जो यह सिद्ध करते हैं कि वे सभी एक ही कहानी बताते हैं। इसे एक नई कार की गति का परीक्षण करने जैसा समझें: आप स्टॉपवॉच, रडार गन, या जीपीएस ट्रैकर का उपयोग कर सकते हैं। यदि वे सभी सहमत हैं, तो आप उसकी वास्तविक गति जानते हैं।

1. एल्गोरिदम का दृष्टिकोण: "कलरिंग गेम" (k-CCWL)

कल्पना कीजिए कि आपके पास दो जटिल लेगो (Lego) संरचनाएं हैं। आप जानना चाहते हैं कि क्या वे बिल्कुल एक ही तरह से बनी हैं।

पुराना तरीका (GNNs): आप ईंटों को उनके तत्काल पड़ोसियों के आधार पर रंगते हैं। यदि दो संरचनाएं स्थानीय रूप से एक जैसी दिखती हैं, तो पेंट एक जैसा रहता है, और आप उनमें अंतर नहीं कर पाते।
नया तरीका (TNNs): लेखकों ने एक नया कलरिंग गेम k-CCWL बनाया। केवल एक ईंट को देखने के बजाय, आप ईंटों के समूहों (जैसे कि एक पूरा त्रिकोण या पिरामिड) को एक साथ देखते हैं। आप उन्हें इस आधार पर रंगते हैं कि ये समूह अन्य समूहों से कैसे जुड़ते हैं।
परिणाम: आप जितने अधिक "समूहों" को एक साथ देखते हैं (उच्च k संख्या), पेंटिंग उतनी ही विस्तृत होती जाती है। यदि दो संरचनाओं की अंतिम पेंटिंग अलग है, तो संरचनाएं अलग हैं। यदि वे समान हैं, तो वे इस पद्धति द्वारा अविभेदित (indistinguishable) हैं।

2. तर्क का दृष्टिकोण: "काउंटिंग डिटेक्टिव" (TCk)

अब, एक जासूस की कल्पना करें जो लेगो संरचनाओं का वर्णन करने के लिए एक बहुत ही विशिष्ट भाषा का उपयोग कर रहा है।

पुरानी भाषा: "एक लाल ईंट एक नीली ईंट के बगल में है।" (यह वह है जो GNNs कह सकते हैं)।
नई भाषा (TCk): लेखकों ने एक नई भाषा बनाई जिसमें एक विशेष "पेयर काउंटर" (Pair Counter) शामिल है।
- पुरानी लॉजिक: "वहाँ 3 लाल ईंटें हैं।"
- नई लॉजिक: "लाल ईंटों के 10 जोड़े हैं जो एक नीले त्रिकोण द्वारा जुड़े हुए हैं।"
यह क्यों मायने रखता है: जटिल आकारों में, चीजें अक्सर अप्रत्यक्ष रूप से जुड़ी होती हैं। दो किनारे आपस में नहीं छूते, लेकिन वे एक कोने को साझा करते हैं। नई लॉजिक इन कनेक्शनों के जोड़ों को स्पष्ट रूप से गिनने की अनुमति देती है। शोध पत्र सिद्ध करता है कि "कलरिंग गेम" (k-CCWL) और यह "पेयर काउंटिंग लॉजिक" (TCk) पूरी तरह से मेल खाते हैं। यदि गेम दो आकारों के बीच अंतर बता सकता है, तो लॉजिक उस अंतर का वर्णन कर सकता है, और इसके विपरीत भी।

3. गेम का दृष्टिकोण: "पीक-ए-बू चैलेंज" (द पेबल गेम)

अंत में, दो लोगों के बीच खेले जाने वाले खेल की कल्पना करें: द स्पॉइलर (The Spoiler) (जो यह साबित करना चाहता है कि दोनों आकार अलग हैं) और द डुप्लिकेटर (The Duplicator) (जो यह साबित करना चाहता है कि वे समान हैं)।

नियम: स्पॉइलर आकार A के हिस्सों पर "पेबल्स" (चिह्न) रखता है। डुप्लिकेटर को आकार B पर मिलान करने वाले पेबल्स रखने होते हैं।
ट्विस्ट: इस नए संस्करण में TNNs के लिए, स्पॉइलर केवल एक जगह नहीं चुनता; वह स्थानों के जोड़े चुनता है जिनका एक विशिष्ट संबंध होता है (जैसे "एक कोने को साझा करने वाले दो किनारे")। डुप्लिकेटर को दूसरे आकार में एक मिलान करने वाला जोड़ा खोजना होता है।
परिणाम: यदि डुप्लिकेटर स्पॉइलर की चालों का अनंत काल तक मिलान कर सकता है, तो आकार प्रभावी रूप से समान हैं। यदि स्पॉइलर एक बेमेल (mismatch) होने के लिए मजबूर कर सकता है, तो आकार अलग हैं।

बड़ी खोज

शोध पत्र का मुख्य "अहा!" क्षण यह है कि ये तीनों विधियाँ बिल्कुल समान हैं।

$\text{Coloring Game} \equiv \text{Pair-Counting Logic} \equiv \text{Pebble Game}$

इसका अर्थ है:

हमारे पास अब एक सटीक गणितीय नियम पुस्तिका है कि TNNs क्या कर सकते हैं और क्या नहीं।
यदि आप एक TNN को अधिक स्मार्ट बनाना चाहते हैं, तो आप बस "k" को बढ़ाते हैं (कोशिकाओं के बड़े समूहों को देखना)।
हम जानते हैं कि ये नेटवर्क कौन से "बाइनरी क्लासिफायर" (हाँ/ना निर्णय) ले सकते हैं।

"ब्रॉडकास्ट एंकर" ट्रिक

इस पेपर में एक चतुर विवरण यह है कि वे "ग्लोबल" (वैश्विक) दृश्य को कैसे संभालते हैं। चूंकि TNNs बहुत स्थानीय (local) होते हैं (वे पड़ोसियों को देखते हैं), वे कैसे जानते हैं कि पूरा आकार अलग है?
लेखक "ब्रॉडकास्ट एंकर" (Broadcast Anchor) नामक एक ट्रिक का उपयोग करते हैं। कल्पना कीजिए कि हर लेगो संरचना के ऊपर एक अद्वितीय, चमकता हुआ बीकन लगाया गया है। यह बीकन संरचना के हर हिस्से को एक संकेत भेजता है। यदि संरचना में कोई छिपा हुआ दोष है (जैसे कि एक गायब त्रिकोण), तो संकेत अलग तरह से यात्रा करता है, और बीकन की चमक बदल जाती है। यह सुनिश्चित करता है कि यहाँ तक कि छोटे, स्थानीय अंतर भी पूरे नेटवर्क द्वारा महसूस किए जाते हैं।

आपको इसकी परवाह क्यों करनी चाहिए?

यह शोध पत्र एक टोपोलॉजिकल AI के मस्तिष्क के ब्लूप्रिंट की तरह है।

पहले: हम जानते थे कि TNNs शक्तिशाली थे, लेकिन हमें यह नहीं पता था कि वे कितने शक्तिशाली हैं या उनकी क्या कमियां हैं।
अब: हम जानते हैं कि उन्हें कैसे ट्यून किया जाए। यदि आपको एक विशिष्ट जटिल पैटर्न का पता लगाने की आवश्यकता है (जैसे कि एक दवा का अणु एक विशिष्ट तरीके से मुड़ना), तो अब आप जानते हैं कि आपके AI को इसे देखने के लिए कितने "लॉजिक लेयर्स" की आवश्यकता है।

संक्षेप में, लेखकों ने एक रहस्यमय, शक्तिशाली नए प्रकार के AI को लिया और हमें इसे पूरी तरह से समझने के लिए निर्देश पुस्तिका, शब्दावली और परीक्षण किट दी।

यहाँ शोध पत्र "The Logical Expressiveness of Topological Neural Networks" (ICLR 2026) का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

ग्राफ न्यूरल नेटवर्क (GNNs) ग्राफ-संरचित डेटा पर सीखने के लिए मानक हैं, लेकिन उनकी अभिव्यंजक क्षमता (expressive power) सीमित है। गैर-आइसोमोर्फिक (non-isomorphic) ग्राफों को अलग करने की उनकी क्षमता 1-Weisfeiler-Leman (1-WL) परीक्षण (कलर रिफाइनमेंट) तक सीमित है, जो काउंटिंग क्वांटिफायर वाले फर्स्ट-ऑर्डर लॉजिक के एक खंड ( $C^2$ ) के अनुरूप है। फलस्वरूप, मानक GNNs चक्र (cycles), कनेक्टेड कंपोनेंट्स, या विशिष्ट उप-संरचनाओं जैसी मौलिक संरचनात्मक विशेषताओं को पकड़ने में विफल रहते हैं।

टोपोलॉजिकल न्यूरल नेटवर्क्स (TNNs) एक आशाजनक विकल्प के रूप में उभरे हैं, जो कॉम्बिनेटरियल कॉम्प्लेक्स (CCs) (जो ग्राफ, हाइपरग्राफ और सेल कॉम्प्लेक्स का सामान्यीकरण है) पर कार्य करते हैं। TNNs उच्च-क्रम संदेश पासिंग (higher-order message passing) का उपयोग करते हैं (बाउंड्रीज़, कोबाउंड्रीज़ और उच्च-क्रम एडजेसेंसी से जानकारी एकत्र करना)। हालाँकि, एक मौलिक सैद्धांतिक अंतराल बना हुआ है: TNNs की सटीक तार्किक अभिव्यक्ति (logical expressiveness) क्या है? GNNs के विपरीत, TNNs के लिए कोई स्थापित तार्किक ढांचा या गेम-थ्योरेटिक लक्षण वर्णन नहीं है जिससे यह निर्धारित किया जा सके कि वे किन बाइनरी क्लासिफायर को प्रदर्शित कर सकते हैं या उच्च-क्रम अंतःक्रियाओं के साथ उनकी शक्ति कैसे बढ़ती है।

2. कार्यप्रणाली (Methodology)

लेखक TNNs के लिए एक लॉजिक-गेम-एल्गोरिदम ट्रायड (logic–game–algorithm triad) स्थापित करके इस अंतराल को संबोधित करते हैं, जो ग्राफ से लेकर एट्रीब्यूटेड कॉम्बिनेटरियल कॉम्प्लेक्स (ACCs) तक $k$ -WL, काउंटिंग लॉजिक और पेबल गेम्स के शास्त्रीय पत्राचार का विस्तार करता है।

A. एल्गोरिद्मिक घटक: $k$ -CCWL

लेखक $k$ -dimensional Combinatorial Complex Weisfeiler-Leman ( $k$ -CCWL) परीक्षण पेश करते हैं।

तंत्र (Mechanism): यह $k$ -WL के टुपल-आधारित रिफाइनमेंट को कॉम्बिनेटरियल कॉम्प्लेक्स के सेल्स के $k$ -टुपल्स तक विस्तारित करता है।
रिफाइनमेंट (Refinement): प्रत्येक इटरेशन में, एक $k$ $k$ -टुपल का लेबल निम्नलिखित के आधार पर अपडेट किया जाता है:
1. इसका अपना वर्तमान लेबल।
2. सभी संभावित प्रतिस्थापन जोड़ों $(\alpha, \beta)$ से प्राप्त "रिफाइनमेंट कॉन्टेक्स्ट" का मल्टीसेट, जो टुपल में सेल्स के प्रतिस्थापन को दर्शाता है।
3. डबल-शिफ्ट सीक्वेंस (Double-Shift Sequence): एक नवीन तंत्र जो प्रत्येक स्थिति में दो प्रतिस्थापनों को एक साथ ट्रैक करता है, जो साझा पड़ोसियों द्वारा मध्यस्थता वाले सेल्स के जोड़ों के बीच की अंतःक्रिया को पकड़ता है (जो टोपोलॉजिकल एग्रीगेशन की एक प्रमुख विशेषता है)।
ब्रॉडकास्ट एंकर (Broadcast Anchor): वैश्विक संरचनाओं को अलग करने के लिए, लेखक एक "ब्रॉडकास्ट एंकर" (एक फ्रेश 0-सेल जो सभी 0-सेल्स से जुड़ा है) पेश करते हैं ताकि स्थानीय रंग अंतर वैश्विक स्तर पर प्रसारित हो सकें, जिससे यूनिफॉर्म ACCs के लिए एक "समान-बनाम-विच्छिन्न" (identical-vs-disjoint) गुण स्थापित होता है।

B. तार्किक घटक: टोपोलॉजिकल काउंटिंग लॉजिक ( $TC_k$ )

लेखक Topological Counting Logic ( $TC_k$ ) को परिभाषित करते हैं, जो TNNs के लिए अनुकूलित फर्स्ट-ऑर्डर लॉजिक का एक खंड है।

मुख्य नवाचार: यह एक पेयरवाइज काउंटिंग क्वांटिफायर (pairwise counting quantifier) $\exists^N(x_i, x_j) \phi(x_i, x_j)$ पेश करता है।
सिमेंटिक्स (Semantics): मानक काउंटिंग क्वांटिफायर के विपरीत, जो एकल वेरिएबल इंस्टेंशिएशन को गिनते हैं, यह क्वांटिफायर किसी गुण $\phi$ को संतुष्ट करने वाले सेल्स के जोड़ों $(c_1, c_2)$ की संख्या को गिनता है।
प्रेरणा (Motivation): यह सीधे तौर पर TNN एग्रीगेशन तंत्र को मॉडल करता है जहाँ एक सेल का अपडेट उसके पड़ोसियों के जोड़ों (जैसे, एक ही वर्टेक्स साझा करने वाले दो किनारे, या एक फेस और उसकी बाउंड्री) पर निर्भर करता है। यह लॉजिक को उन गुणों को व्यक्त करने की अनुमति देता है जिनमें उच्च-क्रम रिलेशनल संरचनाएं शामिल हैं जिन्हें मानक काउंटिंग लॉजिक नहीं पकड़ सकता।

C. गेम-थ्योरेटिक घटक: टोपोलॉजिकल पेबल गेम

लेखक एक Topological $k$ -pebble game को परिभाषित करते हैं जो स्पॉयलर (प्लेयर I) और डुप्लिकेटर (प्लेयर II) के बीच खेला जाता है।

नियम: प्रत्येक राउंड में, प्लेयर I एक कॉम्प्लेक्स से सेल्स के जोड़ों का एक सेट चुनता है। प्लेयर II को दूसरे कॉम्प्लेक्स से समान आकार के जोड़ों के सेट के साथ प्रतिक्रिया देनी चाहिए।
जीतने की स्थिति: प्लेयर II तब जीतता है यदि वे पूरे खेल के दौरान एक आंशिक आइसोमोर्फिज्म (रैंक, रंग और सभी चार टोपोलॉजिकल एडजेसेंसी संबंधों: बाउंड्री, कोबाउंड्री, लोअर और अपर को बनाए रखना) बनाए रख सकते हैं।
महत्व: यह गेम $TC_k$ में पेयरवाइज काउंटिंग क्वांटिफायर के गेम-थ्योरेटिक समकक्ष के रूप में कार्य करता है।

3. मुख्य योगदान (Key Contributions)

TNNs का औपचारिक लक्षण वर्णन: यह शोध पत्र अनुभवजन्य अवलोकनों से आगे बढ़कर औपचारिक अभिव्यंजक सिद्धांत (formal expressiveness theory) के माध्यम से TNNs का पहला कठोर तार्किक लक्षण वर्णन प्रदान करता है।
द ट्रायड इक्विवेलेंस (The Triad Equivalence): केंद्रीय सैद्धांतिक परिणाम ACCs को अलग करने के लिए तीन अलग-अलग चरित्रणों के बीच सटीक समानता स्थापित करता है:
$k\text{-CCWL} \equiv TC_{k+2} \equiv \text{Topological }(k+2)\text{-pebble game}$
नोट इंडेक्स में बदलाव: $k$ -CCWL, $k+2$ वेरिएबल्स वाले लॉजिक और $(k+2)$ -पेबल गेम के अनुरूप है, क्योंकि "डबल-शिफ्ट" तंत्र को जोड़ों को ट्रैक करने के लिए दो अतिरिक्त वेरिएबल्स/पेबल्स की आवश्यकता होती है।
कठोर पदानुक्रम (Strict Hierarchy): लेखक सिद्ध करते हैं कि $k$ के साथ अभिव्यंजक शक्ति सख्ती से बढ़ती है। किसी भी $k$ के लिए, ऐसे गैर-आइसोमोर्फिक ACCs मौजूद हैं जो $k$ -CCWL द्वारा पहचाने जा सकते हैं लेकिन $(k-1)$ -CCWL द्वारा नहीं।
मानक GNNs के साथ संबंध: यह पत्र प्रदर्शित करता है कि 1-डायमेंशनल ACCs (ग्राफ) के लिए, $k$ -CCWL का वही अभिव्यंजक सामर्थ्य है जो मानक $k$ -WL परीक्षण का है, जो मौजूदा GNN सिद्धांत के साथ ढांचे की निरंतरता को मान्य करता है।

4. मुख्य परिणाम (Key Results)

इक्विवेलेंस थ्योरम (कोरोलरी 5.3): दो ACCs $k$ -CCWL द्वारा अविभेद्य हैं यदि और केवल यदि वे $TC_{k+2}$ के वाक्यों को संतुष्ट करते हैं, जो कि प्लेयर II के पास टोपोलॉजिकल $(k+2)$ -पेबल गेम में जीतने की रणनीति होने के बराबर है।
कठोर पदानुक्रम (थ्योरम 3.2 और D.3): TNN अभिव्यक्तता का पदानुक्रम सख्त है। संदेश पासिंग के क्रम ( $k$ ) को बढ़ाने से जटिल टोपोलॉजिकल संरचनाओं को पहचानने की मॉडल की क्षमता सख्ती से बढ़ती है।
सेपरेशन का उदाहरण: पेपर ठोस उदाहरण प्रदान करता है (जैसे, एक 6-साइकिल को दो विच्छिन्न त्रिभुजों से अलग करना) जहाँ मानक 1-WL (और 1-CCWL) विफल हो जाता है, लेकिन 2-CCWL (और $TC_4$ ) पेयरवाइज काउंटिंग के माध्यम से त्रिभुजों (3-cycles) की उपस्थिति का पता लगाकर सफल होता है।
जटिलता (Complexity): $k$ -CCWL की समय जटिलता $O(n^{2k+2})$ है, जहाँ $n$ सेल्स की संख्या है, जो सेल्स के जोड़ों पर एग्रीगेट करने की लागत को दर्शाती है।

5. महत्व (Significance)

सैद्धांतिक आधार: यह कार्य टोपोलॉजिकल डीप लर्निंग और फाईनाइट मॉडल थ्योरी के बीच के अंतर को पाटता है। यह TNN आर्किटेक्चर का मूल्यांकन करने के लिए एक सटीक "पैमाना" प्रदान करता है, जिससे शोधकर्ता यह निर्धारित कर सकते हैं कि एक विशिष्ट TNN डिज़ाइन वास्तव में किन संरचनात्मक गुणों को सीख सकता है या नहीं।
डिज़ाइन मार्गदर्शन: अभिव्यक्तता को पेयरवाइज काउंटिंग क्वांटिफायर से जोड़कर, यह पेपर सुझाव देता है कि उच्च-क्रम अंतःक्रियाओं (जैसे चक्र या वॉइड्स) को पकड़ने के लिए, मॉडलों को केवल एकल पड़ोसियों के बजाय पड़ोसियों के जोड़ों पर स्पष्ट रूप से एग्रीगेट करना चाहिए।
सीमाएँ और ब्लाइंडस्पॉट्स: यह ढांचा TNNs के "ब्लाइंडस्पॉट्स" को स्पष्ट करता है। चूंकि $TC_k$ एक फाईनाइट-वेरिएबल लॉजिक है, यह वैश्विक गुणों (जैसे कनेक्टिविटी, हैमिल्टनियन पाथ, या ग्लोबल होमोलॉजी) को व्यक्त नहीं कर सकता जिनके लिए अनबाउंडेड क्वांटिफिकेशन की आवश्यकता होती है, जब तक कि $k$ अनबाउंडेड न हो। यह TNNs द्वारा प्राप्त किए जा सकने वाले कार्यों के लिए यथार्थवादी अपेक्षाएं सेट करने में मदद करता है।
एकीकरण: यह विभिन्न TNN आर्किटेक्चर (CW Networks, Simplicial Networks, Hypergraph NNs) को एक एकल सैद्धांतिक छत्र के तहत एकीकृत करता है, यह दिखाते हुए कि वे सभी $k$ -CCWL पदानुक्रम के भीतर आते हैं।

संक्षेप में, यह पेपर स्थापित करता है कि टोपोलॉजिकल न्यूरल नेटवर्क्स बिल्कुल उतने ही अभिव्यंजक हैं जितने कि पेयरवाइज क्वांटिफायर के साथ टोपोलॉजिकल काउंटिंग लॉजिक, जो अगली पीढ़ी के रिलेशनल लर्निंग मॉडल्स के लिए एक कठोर गणितीय आधार प्रदान करता है।