في الآونة الأخيرة، شهدت الأبحاث في مجال الذكاء الاصطناعي (AI) تطورًا كبيرًا في تصميم الشبكات العصبية المكررة (Recurrent Neural Networks - RNNs)، حيث تتخطى القدرات التقليدية للتنبؤ بالحقائق الزمنية. من المعروف أن RNNs يمكن أن تتعلم التنبؤ بنتائج المنطق الزمني الإشاري (Signal Temporal Logic - STL) من مسارات جزئية. ولكن تكمن المشكلة في استخدامها كنظم مراقبة في أنظمة حرجة تتطلب ضمانات إضافية تفوق الدقة في التنبؤ.

في هذا السياق، يبرز نموذج جديد يُدعى شبكة البوابة المنطقية ثلاثية القيمة القابلة للاختلاف (Recurrent Differentiable Ternary Logic Gate Network - R-DTLGN). يعتمد هذا النموذج على منطق كلي (Kleene's three-valued logic) الذي يشمل القيم {-1، 0، +1}، حيث تمثل القيمة 0 على وجه التحديد الحالة غير المعروفة. يعمل النموذج من خلال وكيل تمييز متعدد الحدود ثم يتصل إلى دائرة منطقية ثلاثية القيمة أثناء الاستدلال.

أحد الابتكارات الأساسية في هذا النموذج هو كيفية ضمان الاستقرار في الديناميات المتكررة. على سبيل المثال، يتم استخدام بوابات معنوية رقمية تضمن استقرار الديناميات، بينما تعمل بوابات المعرفة على ضمان عدم وجود مخرجات خاطئة حتى مع عدم اليقين في المدخلات. وهذا يضمن أن قلة المدخلات لا تغير الحكم بشكل غير متوقع.

علاوة على ذلك، يتم توصيل الاتصالات المتكررة مع العديد من عمليات STL التي تستخدم فقط بوابتي AND و OR، مما يعزز التوافق بين مهمة المراقبة وضمانات النموذج. وبدلاً من البحث العشوائي عن القيم المثلى، يتم تحديد حجم حالة الشبكة المخفية استنادًا إلى صيغة STL، مما يجعل العملية أكثر كفاءة.

تم اختبار R-DTLGN على بيانات التنقل في نقطة Maze بمواصفات STL، حيث تمت تقييمه بناءً على دقة التنبؤ والقدرة على التعامل مع فقدان المدخلات، مما يتيح توازنًا بين دقة النتائج وسلامة النظام.

تعتبر هذه الابتكارات خطوة حاسمة للأمام في تقديم الضمانات المطلوبة في الأنظمة الحرجة، مما يمهد الطريق لتطبيقات أكثر أمانًا وموثوقية في مجالات متعددة مثل التحكم الذكي، والمراقبة الصحية، والمزيد. كيف ترى تأثير هذه التقنية الجديدة على المستقبل؟ شاركونا الآراء في التعليقات!