🤖 machine learning

Modal Logical Neural Networks

De auteurs presenteren Modal Logical Neural Networks (MLNNs), een neurosymbolisch raamwerk dat diep leren integreert met de formele semantiek van modale logica om redeneren over noodzaak en mogelijkheid mogelijk te maken via een differentieerbare architectuur die zowel vooraf gedefinieerde als uit data geleerde toegangrelaties tussen mogelijke werelden kan hanteren.

Oorspronkelijke auteurs: Antonin Sulc

Gepubliceerd 2026-02-13

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Antonin Sulc

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een zeer slimme, creatieve kunstenaar hebt die alles kan tekenen wat je wilt. Deze kunstenaar heeft miljoenen foto's gezien en kan patronen herkennen die wij nooit zouden zien. Maar er is een probleem: deze kunstenaar kent de regels van de logica niet. Als je vraagt: "Teken een auto die rijdt terwijl het rood licht brandt," tekent hij misschien een auto die rijdt, omdat hij in zijn training vaak auto's heeft gezien die rijden. Hij begrijpt niet dat dit onmogelijk is volgens de verkeersregels. Hij is statistisch slim, maar logisch dwaas.

Dit artikel introduceert een nieuwe uitvinding: Modal Logical Neural Networks (MLNNs). Je kunt dit zien als het geven van een "onzichtbare veiligheidsriem" of een "logische kompas" aan die slimme kunstenaar.

Hier is hoe het werkt, vertaald naar alledaagse taal:

1. Het Concept: De "Mogelijke Werelden"

Normaal gesproken denkt een computer in één wereld: "Dit is waar, dat is niet waar."
MLNNs denken in mogelijke werelden. Stel je voor dat je een detective bent die niet alleen kijkt naar wat er nu gebeurt, maar ook naar:

Wat er zou kunnen gebeuren als het regent?
Wat de buurman zou denken als hij dit zag?
Wat er zou gebeuren als de verkeerslichten anders werkten?

In de taal van de auteurs zijn dit "werelden" (worlds). De kunstenaar (het neurale netwerk) moet niet alleen het juiste antwoord geven, maar ook controleren of dat antwoord klopt in al die mogelijke scenario's.

2. De Twee Magische Knoppen: "Noodzaak" en "Mogelijkheid"

Het systeem gebruikt twee speciale knoppen om te redeneren:

De Noodzaak-knop (□): "Dit moet altijd waar zijn." (Bijvoorbeeld: "Het is noodzakelijk dat je stopt bij rood.")
De Mogelijkheid-knop (♢): "Dit kan ergens waar zijn." (Bijvoorbeeld: "Het is mogelijk dat de buurman boos is.")

De kunstenaar moet zijn antwoord zo aanpassen dat deze knoppen nooit in de war raken. Als hij zegt "Ik stop niet" terwijl de noodzaak-knop zegt "Je moet stoppen", dan is er een logische botsing. Het systeem straft deze botsing af, waardoor de kunstenaar leert om zich aan de regels te houden.

3. Twee Manieren om te Leren

Het mooie aan MLNNs is dat ze op twee manieren kunnen werken, afhankelijk van wat je nodig hebt:

Manier A: De Strikte Leraar (Deductief)
Hier geef je de regels zelf op. Je zegt: "Je mag nooit een auto tekenen die door een muur rijdt." Het systeem zorgt ervoor dat dit nooit gebeurt, zelfs niet als de kunstenaar denkt dat het een goede tekening is. Dit is handig voor veiligheidskritieke dingen, zoals zelfrijdende auto's of medische diagnoses.
Manier B: De Ontdekker (Inductief)
Hier geef je de regels niet op, maar laat je het systeem de regels leren uit de data. Stel je voor dat je een spionnetje bent die kijkt naar wie wie vertrouwt in een groep mensen. Het systeem ziet dat als A tegen B praat, B vaak luistert. Het systeem leert dan zelf: "Ah, A heeft toegang tot de gedachten van B." Het ontdekt zelf de "verborgen wegen" tussen mensen, zonder dat jij die wegen eerst had getekend.

4. Waarom is dit zo speciaal? (De Analogie van de "Logische Veiligheidsriem")

Stel je voor dat je een auto bestuurt die razendsnel kan rijden (de AI).

Zonder MLNN: De auto rijdt zo snel mogelijk, maar slaat soms over een stopbord omdat hij denkt dat er geen auto's aankomen.
Met MLNN: De auto heeft een onzichtbare veiligheidsriem. Als hij een stopbord ziet, voelt de riem een trekkracht die hem niet laat doorrijden, zelfs niet als de snelheidsmeter zegt dat hij kan versnellen. De auto leert dat "snelheid" minder belangrijk is dan "niet crashen".

5. Wat hebben ze er mee gedaan? (Voorbeelden uit het artikel)

De auteurs hebben getoond dat dit werkt in verschillende situaties:

Grammatica: Ze hebben een systeem getraind dat nooit een zin maakt die grammaticaal onmogelijk is (bijv. "De de auto" in plaats van "De auto").
Vertrouwen in Diplomacy: In het bordspel Diplomacy (waar mensen bedriegen en bondgenootschappen sluiten) leerde het systeem wie wie bedroog, puur door te kijken naar wat mensen zeiden versus wat ze deden. Het ontdekte "verborgen wegen" van wantrouwen.
Sudoku: Ze lieten het systeem een heel moeilijk Sudoku-puzzel oplossen. In plaats van één voor één getallen proberen (zoals een mens), zocht het systeem naar een wereld waarin alle regels tegelijk kloppen.
Bedrog opsporen: Het systeem kon zien of iemand in een gesprek eerlijk was, zelfs als ze op dat moment eerlijk leken, maar in het verleden hadden gelogen.

Conclusie

Kortom: MLNNs zijn een manier om slimme computers niet alleen "slim" te maken (door patronen te zien), maar ook "verstandig" te maken (door logica en regels te respecteren). Het zorgt ervoor dat AI-systemen niet alleen statistisch waarschijnlijk zijn, maar ook logisch correct en veilig. Het is alsof we aan de AI een geweten geven dat weet wat er moet gebeuren en wat er kan gebeuren.

Probleemstelling

Moderne neurale netwerken, met name grote taalmodellen (LLMs), presteren uitstekend in het leren van statistische patronen uit grote datasets. Echter, in risicovolle omgevingen (zoals autonome systemen, medische diagnose of juridische redenering) vormen deze modellen een risico omdat ze outputs kunnen genereren die statistisch plausibel zijn maar logisch inconsistent, feitelijk onjuist of in strijd met fundamentele domeinregels.

Het kernprobleem is een methodologische kloof: er ontbreekt een ingebouwd mechanisme in deze architecturen om declaratieve, symbolische kennis af te dwingen en te garanderen dat outputs voldoen aan een set verifieerbare logische regels. Bestaande neurosymbolische systemen werken vaak binnen een enkel "werkelijkheid" (single-world) en kunnen niet redeneren over noodzaak, mogelijkheid of kennis in dynamische contexten (mogelijke werelden).

Methodologie: Modal Logical Neural Networks (MLNNs)

De auteurs introduceren MLNNs, een neurosymbolisch raamwerk dat diep leren integreert met de formele semantiek van modale logica (specifiek Kripke-semantiek). Het doel is om een differentieerbaar "logisch veiligheidshek" (guardrail) te creëren.

Kerncomponenten:

Kripke-Semantiek in Neurale Netwerken:
- In plaats van één werkelijkheid, opereert het model over een set van mogelijke werelden ( $W$ ).
- Een "wereld" kan een agent, een moment in de tijd of een specifieke context vertegenwoordigen.
- Proposities hebben waarheidswaarden binnen het continue interval $[0, 1]$ , uitgedrukt als onder- en bovengrenzen $[L, U]$ (afgeleid van Logical Neural Networks - LNNs).
Differentieerbare Modale Operatoren:
- Het model introduceert speciale neuronen voor de modale operatoren Noodzaak ( $\square$ ) en Mogelijkheid ( $\diamond$ ).
- $\square \phi$ (Noodzaak): $\phi$ moet waar zijn in alle toegankelijke werelden.
- $\diamond \phi$ (Mogelijkheid): $\phi$ moet waar zijn in minstens één toegankelijke wereld.
- Deze operatoren worden geïmplementeerd met zachte, differentieerbare functies (zoals softmin en softmax) om gradiënten door de logische structuur te laten stromen.
Lerende Toegankelijkheidsrelatie ( $A_\theta$ ):
- Een unieke innovatie is dat de toegankelijkheidsrelatie (welke werelden "elkaar kunnen zien") niet vaststaat, maar geparametriseerd kan worden door een neurale netwerk ( $A_\theta$ ).
- Dit stelt het model in staat om de structuur van het logische systeem (bijv. wie vertrouwt wie, of hoe tijd verloopt) inductief te leren uit data, terwijl het tegelijkertijd deductief redeneert binnen die structuur.
- De relatie kan ook worden gefixeerd door de gebruiker om bekende regels af te dwingen.
Trainingsmechanisme:
- Het totale verlies ( $L_{total}$ ) is een som van de taakverlies ( $L_{task}$ ) en een logische contradictieverlies ( $L_{contra}$ ).
- $L_{contra}$ straalt af wanneer de ondergrens $L$ van een waarheidswaarde de bovengrens $U$ overschrijdt (een logische onmogelijkheid).
- Door dit verlies te minimaliseren, wordt het model gedwongen om outputs te vinden die zowel statistisch waarschijnlijk als logisch consistent zijn.

Belangrijkste Bijdragen

Eerste Differentieerbare Kripke-Architectuur: MLNNs brengen volledige Kripke-semantiek naar neurosymbolisch leren met expliciete $\square$ en $\diamond$ neuronen die werken over een set mogelijke werelden.
Lerende Logische Structuur: In tegenstelling tot eerdere werken (zoals Connectionist Modal Logic) waar de toegankelijkheidsrelatie vaststaat, leren MLNNs de relatie $A_\theta$ zelf. Dit maakt het mogelijk om complexe structuren zoals epistemisch vertrouwen of temporele afhankelijkheden direct uit data te ontdekken.
Theoretische Kwaliteit: De auteurs bewijzen de soundness (de grenzen zijn geldig voor een probabilistische interpretatie) en convergentie van het Upward-Downward inferentie-algoritme voor modale logica.
Flexibiliteit: Het raamwerk ondersteunt zowel deductief redeneren (met vaste axioma's) als inductief leren van de logische structuur.

Resultaten en Case Studies

De auteurs testen MLNNs op vier verschillende domeinen:

Grammaticale Veiligheidshekken (POS-tagging):
- Het model werd getraind om een BiLSTM-tagger te corrigeren met strikte grammaticale regels (bijv. "een lidwoord mag niet direct gevolgd worden door een werkwoord").
- Resultaat: Door het logische verlies te verhogen, werden schendingen van de regels met tot 36,8% gereduceerd, ten koste van een kleine daling in algemene nauwkeurigheid. Dit toont de mogelijkheid om statistische patronen te overrulen voor logische consistentie.
Logische Onbepaaldheid (Dialect-identificatie):
- Het model moest zinnen classificeren als Amerikaans of Brits Engels, maar moest "Neutraal" (onbepaald) herkennen.
- Resultaat: Waar standaard modellen en Conformal Prediction faalden bij neutrale zinnen, slaagde de MLNN erin om 100% recall te halen op neutrale inputs door logische axioma's te gebruiken die expliciet "onbepaaldheid" definiëren. Het model weet wat het niet weet.
Epistemisch Vertrouwen in Diplomacy (Spel):
- Het model leerde de vertrouwensrelaties tussen spelers in het spel Diplomacy puur uit de logische inconsistentie tussen wat spelers zeggen en wat ze doen.
- Resultaat: Het model leerde de toegankelijkheidsmatrix $A_\theta$ inductief en identificeerde succesvol allianties, verraad en asymmetrische afhankelijkheden zonder ground-truth labels. Het fungeerde als een "sociale röntgenfoto".
Sudoku als Multi-World Probleem:
- Het oplossen van het extreem moeilijke "AI Escargot" Sudoku-puzzel werd gemodelleerd als een differentieerbare energie-minimalisatie over 81 werelden (cellen).
- Resultaat: Het systeem vond een geldige oplossing door logische contradicties te minimaliseren, wat aantoont dat MLNNs complexe, niet-convexe combinatorische problemen kunnen oplossen zonder traditionele backtracking.
Schaalbaarheid:
- Door gebruik te maken van metrisch leren (in plaats van een dichte matrix), kon het model schalen tot 20.000 agenten op één GPU, terwijl een dichte implementatie faalde bij 10.000 door geheugenbeperkingen.

Significantie en Conclusie

MLNNs bieden een methodologische stap voorwaarts in het bouwen van AI-systemen die niet alleen patronen herkennen, maar ook voorspelbaar en verifieerbaar redeneren.

Interpreteerbaarheid: De toegankelijkheidsrelatie $A_\theta$ biedt een interpreteerbare structuur die ontstaat uit het leerproces (bijv. wie vertrouwt wie).
Veiligheid: Het biedt een mechanisme om strikte domeinregels af te dwingen in safety-critical toepassingen.
Hybride Redeneren: Het combineert de kracht van statistisch leren met de rigoriteit van formele logica, waardoor systemen kunnen omgaan met onzekerheid en complexe relaties (tijd, kennis, noodzaak) die voor standaard neurale netwerken onzichtbaar zijn.

De auteurs benadrukken dat er een afweging is tussen pure statistische nauwkeurigheid en logische coherentie, maar dat deze trade-off essentieel is voor betrouwbare AI in complexe, real-world scenario's.