قبل أن تطلب من الذكاء الاصطناعي التفكير، حاول تنظيف مدخلاته أولاً

الصيغة المنطقية واستعلام التفكير ليسا نفس الشيء، لكن في العديد من خطوط أنابيب الذكاء الاصطناعي يسافران معًا، حيث يتم تجميع قاعدة المعرفة المعبر عنها في الصورة الطبيعية العطفية (CNF) في دائرة مدمجة، وتجيب هذه الدائرة على أسئلة حول نماذجها. لعقود، ناقش الممارسون ما إذا كان ينبغي معالجة CNF مسبقًا أولاً، وإذا كان الأمر كذلك، فما هي التبسيطات الآمنة. تقدم دراسة نشرها باحثو CRIL، وهو مختبر مشترك بين المركز الوطني للبحث العلمي وجامعة أرтуа، إجابة واضحة: المعالجات المسبقة التي تحافظ على عدد النماذج، وتحتفظ بتعريفات المتغيرات المحذوفة، تطلق العنان لمكاسب أداء كبيرة، بينما تلك التي تحافظ فقط على قابلية الإشباع غير مجدية لأخذ العينات والتعداد.

مشهد المعالجة المسبقة

تدقق الورقة البحثية، بقيادة جان ماري لاجنيز وإيمانويل لونكا، في ثلاث عائلات من تقنيات المعالجة المسبقة: تلك التي تحافظ على التكافؤ المنطقي (التنشيط، اكتشاف العمود الفقري، تقليل التكرار)، تلك التي تحافظ فقط على قابلية الإشباع (إزالة المتغيرات، إزالة البنود المحجوبة)، وتلك التي تحافظ على عدد النماذج عن طريق إزالة المتغيرات المحددة. بالنسبة لمهام مثل أخذ العينات المنتظم، الوصول المباشر (إرجاع النموذج k-th تحت ترتيب معجمي)، وتعداد النماذج، فإن التمييز مهم بعمق.

يثبت المؤلفون أن تقنيات الحفاظ على قابلية الإشباع مثل إزالة المتغيرات وإزالة البنود المحجوبة غير متوافقة بشكل أساسي مع هذه الاستعلامات. في مثال مضاد بسيط، يتم تقليل الصيغة a ∨ b إلى ⊤ تحت كلتا الطريقتين، مما يفقد جميع المعلومات حول النماذج الأصلية. "من Φ' من المستحيل استرداد نماذج Φ،" يكتبون، مما يؤكد قيدًا معروفًا لعد النماذج أيضًا.

الأكثر إثارة للدهشة هو النتيجة أنه حتى تقنيات الحفاظ على عدد النماذج، التي تزيل المتغيرات المحددة ضمنيًا أو صراحةً بواسطة متغيرات أخرى، لا يمكن تطبيقها مباشرة. تفتقر الصيغة المعالجة مسبقًا وحدها إلى التعيين اللازم لإعادة بناء النماذج الأصلية. ومع ذلك، عندما يتم تخزين تعريفات المتغيرات المحذوفة في دالة تقييم متوافقة، يصبح النهج قابلاً للتطبيق لأخذ العينات المنتظم والتعداد الكامل للنماذج.

الوصول المباشر يتطلب الترتيب

استعلامات الوصول المباشر، حيث يطلب المستخدم النموذج k-th تحت ترتيب متغير معجمي محدد، تضيف قيدًا إضافيًا. يحدد المؤلفون "ترتيبًا متوافقًا" يضع جميع المتغيرات المحذوفة بعد المتغيرات المحددة لها. يضمن هذا أن النموذج k-th من الصيغة المعالجة مسبقًا، عند توسيعه باستخدام دالة التقييم، يتوافق تمامًا مع النموذج k-th الأصلي. تظهر استراتيجيتان: إما أن خطوة المعالجة المسبقة تثبت ذيل ترتيب المتغيرات، أو تقصر الإزالة على المتغيرات التي تظهر جميع محدداتها في وقت سابق من الترتيب المحدد. الأولى تزيل المزيد من المتغيرات؛ الثانية تمنح المستخدم الحرية الكاملة.

تعداد النماذج الجزئية هو المكان الذي يصل فيه النهج إلى حد صعب. يظهر الباحثون مثالاً حيث يؤدي إزالة متغير محدد بواسطة XOR إلى فجوة أسية بين عدد النماذج الجزئية في الصيغ الأصلية والمبسطة، حيث لا تحتوي دالة التكافؤ على تمثيل مضغوط، لذا فإن المعالجة المسبقة تدمر بشكل فعال البنية اللازمة للتعداد الجزئي.

أدلة تجريبية من 1,425 معيارًا

أجرى الفريق تجارب مكثفة باستخدام المعالج المسبق B+E ومترجم المعرفة d4 على معايير من دراسات سابقة لأخذ العينات المنتظم. اختبروا أربعة تكوينات: بدون معالجة مسبقة، الحفاظ على التكافؤ فقط (equiv)، التكافؤ بالإضافة إلى إزالة المتغيرات المحددة صراحةً (#equiv-explicit)، والأخير مع فرض ترتيب متوافق (#equiv-explicit-ordered).

يكشف الرسم البياني الصبار عن تسلسل هرمي واضح. تقدم المعالجة المسبقة بالتكافؤ فقط مكاسب هامشية، حيث تحل فقط ثماني حالات إضافية أكثر من عدم المعالجة. #equiv-explicit-ordered يعالج 47 حالة إضافية عن خط الأساس، وهو تحسن كبير، بينما يحل #equiv-explicit 55 حالة إضافية، على الرغم من أنه لا يمكنه الإجابة مباشرة على استعلامات الوصول المباشر دون قيود الترتيب. لأخذ العينات المنتظم والتعداد، أبلغ المؤلفون عن تخفيضات كبيرة في وقت التشغيل، حيث تفوقت الدوائر المعالجة مسبقًا باستمرار على نظيراتها الأولية.

تؤكد الدراسة على مبدأ عملي لمهندسي الذكاء الاصطناعي: إذا كانت المهمة النهائية تتضمن عد النماذج، أو أخذ العينات، أو التعداد، فاستثمر في معالجات مسبقة تحافظ على عدد النماذج وتحمل تعريفات المتغيرات إلى الأمام. النفقات العامة لتتبع تلك التعريفات ضئيلة مقارنة بوقت التجميع الموفر.