تُعتبر البرامج المنطقية التوضيحية (Declarative Logic Programs) واحدة من الأدوات القوية في مجال تعلم الآلة، حيث تُتيح تعبيراً واضحاً ومستنداً لفهم الهيكل العلاقاتي وعمليات التفكير الرمزي (Neurosymbolic Reasoning). على الرغم من الفوائد الكبيرة التي توفرها، إلا أن استخراج هذه البرامج من البيانات لا يزال يشكل تحدياً كبيراً نظراً لتوسعات البحث الرمزي المعقدة. وقد ظهرت نماذج اللغات الضخمة (Large Language Models) كأدوات فعالة لتوليد الفرضيات، لكن استخدامها بشكل منفصل يُظهر نقصًا في القدرة على التفكير الاستنتاجي المنظم، مما يجعل من الصعب إنتاج برامج صالحة تتناسب مع التوزيعات العلاقية المعقدة.

تقديم تقنيتنا الجديدة المُسماة GRASP (Gradient-boosted Synthesis of Probabilistic Logic Programs) هو نقطة تحول في هذا السياق. يعمل GRASP كإطار عمل يجمع بين التعلم الرمزي والآلي، حيث يعيد صياغة عملية تعلم الهياكل العلاقية كتعزيز وظيفي (Functional Gradient Boosting). يعتمد GRASP على قاعدة التعلم الضعيف (Weak Learner) كقاعدة أولية ويعهد بعملية البحث غير الممكن إلى نموذج لغوي ضخم (LLM) كمعيار اقتراح.

لقد قمنا بتقييم GRASP على أربعة مقاييس علاقة تمتد من توقعات السمية الجزيئية (Tox21) إلى التحليل التغيير (Mutagenesis) ومطابقة الاقتباسات (Cora). أظهرت النتائج أن GRASP يُحسن من الأداء بالمقارنة مع الأساليب الرمزية البحتة والأطر المعتمدة على الشبكات العصبية ونماذج اللغات الضخمة، بينما يُنتج أيضًا مجموعات من القواعد الوزن القابلة للتفسير. من خلال استبدال البحث التوافقي بتوليد فرضيات موجهة بالانحدار (Gradient-guided Hypothesis Generation)، يمكّن GRASP من الحفاظ على ضمانات التعزيز دون التضحية بشفافية المخرجات الرمزية.