في عالم الذكاء الاصطناعي، يتزايد الاهتمام بالنهج الذي يجمع بين التعلم القائم على الشبكات العصبية (Neural Network Learning) والتفكير الرمزي (Symbolic Reasoning). يبرز هنا مفهوم التكامل العصبي الرمزي (Neurosymbolic Integration)، الذي يتيح استثمار قوة الشبكات العصبية مع القواعد المنطقية القائمة على الرموز.

نقدم لكم Logic of Hypotheses أو LoH، لغة جديدة تجمع بين هذين النهجين، بحيث تسمح بالدمج المرن لتعلم القواعد المستندة إلى البيانات مع المعرفة المستندة إلى الرموز والخبرات. يتميز LoH بتوسيع تركيب المنطق العارض (Propositional Logic) ليتضمن مشغل اختيار يملك معلمات يمكن تعلمها، مما يدعم قدرة النموذج على تحديد صيغ فرعية من مجموعة من الخيارات.

يستخدم LoH المنطق الضبابي (Fuzzy Logic)، حيث يمكن تحويل الصيغ المكونة إلى رسم بياني حسابي قابل للتفاضل (Differentiable Computational Graph)، مما يتيح تعلم الخيارات المثلى من خلال تقنية الإرجاع الخلفي (Backpropagation). يوفر هذا الإطار وحدة نمطية لبعض النماذج القائمة على نهج NeSy، مع إضافة إمكانية تحديد المعرفة بمستويات مختلفة.

علاوة على ذلك، استخدام منطق غودل الضبابي (Gödel Fuzzy Logic) والحيل التطويرية الحديثة ينتج نماذج يمكن تحويلها إلى وظائف قيمية منطقية صارمة (Boolean-valued Functions) دون أي خسارة في الأداء. تضمن الدراسة التجريبية التي أجريناها على هذه النماذج نتائج قوية على بيانات جدولية (Tabular Data) وكذلك في مهام NeSy التي تشمل بعداً إدراكياً.

إن التطورات في Logic of Hypotheses تتجه نحو تسريع وتيرة البحث والتطوير في مجال الذكاء الاصطناعي، مقدمةً حلاً واعدًا لتحسين أداء النماذج وتعزيز قدرتها على التعلم من البيانات المعقدة.