Проблема чистых нейросетей и решение IFOL_B
Чистые нейросетевые системы (Deep Learning) часто критикуют за отсутствие интерпретируемости и жесткой логической структуры. В ответ на это разрабатываются нейро-символические архитектуры. Работа Зорана Майкича (Zoran Majkic), опубликованная 12 июля 2026 года в arXiv, предлагает расширение когнитивных возможностей системы IFOL_B (Typed Intensional First-Order Logic based on Belnap's logic). Ключевая инновация — интеграция вычисления вероятностей для неизвестных утверждений, что позволяет системе действовать в условиях неполных данных.
Механика: Симметрия и Энтропия Шеннона
Авторы вводят два типа трансформаций симметрии для управления знаниями:
- Глобальная трансформация: Сохраняет целостность базы знаний и логических выводов, применяясь к системе в целом.
- Локальная трансформация: Используется для принятия решений в реальном времени по конкретным подзадачам, затрагивая только строгое подмножество предикатов IFOL_B.
Вычисление функции плотности вероятности KI (Knowledge Information) в обоих случаях базируется на принципе максимальной информационной энтропии Шеннона. Нейросети в данной архитектуре выступают не как «черный ящик», а как вычислительный модуль для оценки вероятностных распределений внутри логической рамки.
Технические характеристики подхода
Система опирается на структуру вероятностей Нильссона (Nilsson's probability structure), адаптированную для логики Белнапа, которая позволяет работать с противоречивой информацией (истина, ложь, оба, ни то ни другое). Ниже приведена структура взаимодействия компонентов в предложенной модели:
| Компонент | Роль в архитектуре | Математическая основа |
|---|---|---|
| Логический слой | Символьное рассуждение и само-референция | IFOL_B (Typed Intensional FOL) |
| Вероятностный слой | Оценка неизвестных утверждений | Структура вероятностей Нильссона |
| Нейросетевой слой | Вычисление плотности KI | Максимальная энтропия Шеннона |
| Механизм адаптации | Глобальная и локальная симметрия | Трансформации баз знаний |
Значение для развития AGI
Предложенный подход закрывает критический пробел в современных системах ИИ: способность к логическому выводу при наличии шума и неопределенности. Использование логики Белнапа позволяет системе не «ломаться» при получении противоречивых данных, а вероятностный модуль на базе энтропии Шеннона дает возможность оценивать риски и неопределенность решений. Это шаг к созданию роботов и агентов, способных к автономному рассуждению в динамичных средах, где чистые статистические модели часто дают сбой.
Источник: arXiv cs.AI ↗