في عالم الذكاء الاصطناعي، يعد التفكير السببي (Causal Reasoning) من المجالات الأكثر عمقًا وتحديًا. يعتمد غالبية الأبحاث الحالية على شبكات بايزيانية سببية (Causal Bayesian Networks) ونماذج سببية هيكلية (Structural Causal Models)، لكن هذه النماذج تعاني من قيود في القدرة على تمثيل الأنظمة السببية المعقدة في الواقع.

تناول باحثون هذه القضية من خلال تقديم نموذج جديد يسمى النماذج البيانية الثنائية (Bipartite Graphical Causal Models)، حيث يمكن أن تُحدد الاعتماديات السببية بشكل أكثر دقة. يُسمح بهذا النموذج بإجراء تدخلات صعبة واضحة، حيث يُمكن تحديد المعادلة المستبدلة والمتغير المستهدف والقيمة المخصصة له، مما يؤدي إلى تقليل الغموض الذي تواجهه النماذج التقليدية.

عبر دراسة حالة مفصلة لنظام فيزيائي، أظهر الباحثون كيف يتطابق هذا التمثيل مع تدخلات واقعية متميزة. كما تم صياغة خاصية ماركوف من خلال Criterion فصل رسومي جديد (B-separation) الذي يستفيد من الحتمية الوظيفية. بدلاً من تقديم الافتراضات التقليدية ، يسهم هذا في إنشاء حساب للتفكير بشأن ثوابت المجال.

باختصار، تعتبر النماذج البيانية الثنائية خطوة فارقة في فهم الأنظمة السببية وضمان أداء تفكير سببي دقيق وموثوق.