يعتبر التعلم العصبي الرمزي (Neurosymbolic Learning) من المجالات المتقدمة في الذكاء الاصطناعي، حيث يسعى لدمج التعلم العميق مع المنطق الرمزي. رغم ذلك، تواجه هذه الأنظمة مشكلة كبيرة تعرف باختصارات التفكير (Reasoning Shortcuts)، التي تحدث عندما تستطيع هذه الأنظمة تلبية القيود المنطقية أثناء التعلم دون أن تحقق التوافق المطلوب بين المفاهيم والأرقام.

في هذا المقال، نقوم بتعريف اختصارات التفكير كمشكلة قائمة على تلبية القيود ونستكشف الظروف التي تحدد بوضوح مطابقة المفاهيم استنادًا إلى هذه القيود.

لقد أثبتنا أن خاصية التمييز (Discrimination Property) - التي تتطلب ألّا يمكن تحويل مطابقة مفاهيم صالحة إلى أخرى من خلال تبديل قيمتين لمفهومين - ضرورية لعدم وجود اختصارات، ولكننا أوضحنا من خلال مثال مضاد أنها غير كافية حتى في حالة ترابط الرسم البياني للقيود.

قمنا بتطوير خوارزمية تعتمد على البرمجة المنطقية مع قيود (Answer Set Programming - ASP) للتحقق مما إذا كانت مجموعة القيود المعطاة تحدد فريدًا المطابقة المفهومة المقصودة، مع إثبات سلامة وكمال الخوارزمية. عند اكتشاف الاختصارات، يتم استخدام خوارزمية إصلاح جشع (Greedy Repair Algorithm) لإزالتها عن طريق تعزيز مجموعة القيود، مع ضمان التقارب في حد أقصى $k$ تكرارات، حيث أن $k$ هو عدد المطابقات الصالحة البديلة.

كما قدمنا تصنيفًا لتعقيد المشكلة: حيث أن تقرير ما إذا كانت الاختصارات غير موجودة هو مشكلة تعتمد على coNP، بينما حساب الاختصارات هو #P-complete، والعثور على الإصلاحات الأدنى هو NP-hard. وأثبتنا أيضًا حدود تعقيد العينات، مما يُظهر أن عددًا لوغاريتميًا من استفسارات التسمية يكفي من أجل التمييز في الحالات المواتية، بينما يكفي الاستفسار عن جميع المراكز الغامضة في أسوأ الحالات.

تجاربنا عبر ثمانية مجالات معيارية تؤكد صحة منهجنا وفعاليته في معالجة هذه التحديات.