Miradi mikubwa ya lugha, inaposuluhisha maswali magumu, mara nyingi hutengeneza maelezo hatua kwa hatua. Hii inaitwa Chain-of-Thought, yaani mnyororo wa mawazo au mnyororo wa hoja.

Kwa mfano, modeli kwanza huorodhesha taarifa zilizotolewa, kisha hutoa matokeo ya kati, na mwishowe hufikia jibu. Mbinu hii huongeza mafanikio katika matatizo mengi. Kwa sababu modeli, badala ya kujibu kwa pigo moja, hugawa tatizo katika sehemu ndogo.

Lakini hapa kuna tatizo kubwa:

Je, maelezo yanayoandikwa na modeli yanaonyesha hoja halisi sahihi, au ni maelezo yanayoonekana yanayoeleweka yaliyoundwa baadaye?

Katika baadhi ya hali, modeli inaweza kutoa jibu sahihi lakini sababu za kati ziwe za uongo. Katika hali nyingine, kwanza hufanya dhana isiyo sahihi, kisha hujenga hatua zinazofuata ili kuunga mkono dhana hiyo. Hii ni hatari haswa katika elimu, sayansi, sheria, hisabati, upangaji na mifumo ya kusaidia maamuzi.

Hapa ndipo makala hii inaanzia:

Je, tunaweza kuhakikisha si tu kwamba akili bandia inatoa jibu, bali pia kwamba hatua za hoja zake zinaweza kuthibitishwa?

Kwa nini Chain-of-Thought ya kawaida inaweza kutotosha?

Mbinu ya Chain-of-Thought inafanana na kuambia miradi mikubwa ya lugha “fikiri hatua kwa hatua.” Hii mara nyingi ni yenye manufaa; lakini modeli bado inazalisha maneno kwa uwezekano wa neno kwa neno.

Yaani kila hatua ya modeli haipitii udhibiti mkali wa mantiki. Ikiwa hatua moja ina kosa, hatua zinazofuata zinaweza kujengwa juu ya kosa hilo. Hii inaweza kuitwa mkusanyiko wa makosa.

Kwa mfano, modeli inaweza kutoa hoja kama hii:

1. “A ni kubwa kuliko B.”
2. “B ni kubwa kuliko C.”
3. “Kwa hiyo C ni kubwa kuliko A.”

Hapa matokeo si sahihi kimantiki. Lakini kwa sababu yameandikwa kwa lugha asilia, kosa hili haliwezi kutambulika kwa urahisi kila wakati.

Kwa hiyo kuzalisha maelezo marefu zaidi haitoshi. Kila hatua ya maelezo inapaswa kuweza kudhibitiwa kimantiki.

Akili bandia ya neuro-symbolic inajaribu kufanya nini?

Akili bandia ya neuro-symbolic inajaribu kuunganisha nguvu mbili tofauti.

Upande wa kwanza ni modeli kubwa ya lugha. Modeli ya lugha inaelewa lugha asilia, hufasiri sentensi, na kujaribu kugeuza tatizo kuwa la ishara.

Upande wa pili ni kitatuaji cha ishara. Upande huu unafanya kazi kwa sheria za mantiki ya hisabati. Ikiwa maneno ya kimantiki yameundwa kwa usahihi, kitatuaji kinaweza kukagua kama yanakubaliana.

Tunaweza kuifikiria hivi:

Modeli ya lugha inasoma tatizo na kujaribu “kuligeuza kuwa lugha ya mantiki.”
Kitatuaji cha ishara kisha huhesabu: “ikiwa mantiki hii ni sahihi, matokeo yanapaswa kuwa nini?”

Wazo hili ni lenye nguvu. Kwa sababu vitatuaji vya ishara vinaweza kufanya udhibiti mkali wa uthabiti wa kimantiki ambao miradi ya lugha haiwezi kufanya.

Lakini hapa pia kuna tatizo muhimu:

Kugeuza lugha asilia kuwa lugha ya mantiki si rahisi.

Modeli ya lugha wakati wa tafsiri inaweza kuacha taarifa, kutumia ishara zisizo sahihi, kukosa kukanusha, au kuandika utata wa tatizo kama sheria ngumu mno. Katika hali hiyo kitatuaji cha ishara hukutana na tatizo la mantiki lisilo sahihi au lisilosuluhishika.

SSR inapendekeza nini?

SSR, yaani Symbolic-Neural Soft-Logic Reasoning, inapendekeza mbinu nyumbufu zaidi ya neuro-symbolic ili kushughulikia tatizo hili.

Wazo kuu la SSR ni hili:

Geuza lugha asilia kuwa mantiki ya ishara, ikague kwa kitatuaji; lakini usiache mfumo kuwa dhaifu kabisa dhidi ya makosa ya tafsiri.

Kwa hiyo SSR inaunganisha sehemu tatu kuu:

1. Upande wa LLM:
Hugeuza tatizo la lugha asilia kuwa maneno ya mantiki ya ishara.

2. Upande wa kitatuaji cha ishara:
Hukagua kama maneno hayo yanakubaliana na ni matokeo gani yanayoweza kutolewa. Katika makala, kitatuaji cha Z3 SMT kilitumika.

3. Upande wa soft logic:
Ikiwa maneno ya kimantiki ni yenye kasoro, hafifu au yanayopingana, badala ya kuangusha mfumo mzima, hutafuta suluhisho kupitia sehemu ndogo yenye uaminifu zaidi.

Muundo huu unalenga kuhifadhi uwezo wa kuthibitisha wa mantiki kali, huku ukiwa thabiti zaidi dhidi ya makosa ya tafsiri yanayotoka kwa modeli ya lugha.

Fomula inaeleza nini? Taarifa zinakuwa seti ya kimantiki

Katika makala, taarifa zilizotolewa kutoka tatizo zinaonyeshwa hivi:

Φ = φ₁ ∧ φ₂ ∧ ... ∧ φₙ

Maana rahisi ya fomula hii ni:

Kila taarifa katika tatizo hugeuzwa kuwa sentensi ya mantiki. Kisha taarifa zote huunganishwa kwa kiunganishi “na.”

Kwa mfano:

• Ali ni mwekundu.
• Kila aliye mwekundu ni mviringo.
• Je, Ali ni mviringo?

Taarifa hizi zinaonyeshwa kando katika mantiki ya ishara. Zote pamoja huunda seti ya taarifa iitwayo Φ.

Kisha mfumo unauliza:

“Ikiwa taarifa hizi ni sahihi, je matokeo yanayoulizwa yanatoka kwa lazima?”

Hii ni mbinu yenye nguvu katika mantiki ya kawaida. Kwa sababu haitegemei utabiri wa modeli, bali uthabiti wa sheria.

Swali la Boolean linasuluhishwaje?

Ikiwa swali ni la aina ya kweli/si kweli, SSR hufanya ukaguzi wawili:

Φ ∧ q
Φ ∧ ¬q

Hapa q ni dai linaloulizwa. ¬q linamaanisha “q si kweli.”

Kwa ufupi, mfumo hujaribu hivi:

1. Je, kwa taarifa zilizotolewa, q inaweza kuwa kweli?
2. Je, kwa taarifa zilizotolewa, q inaweza kuwa si kweli?

Ikiwa q inaweza kuwa kweli lakini kinyume cha q hakiwezekani, matokeo yanachukuliwa kuwa “kweli.”
Ikiwa kinyume cha q kinawezekana lakini q haiwezekani, matokeo yanachukuliwa kuwa “si kweli.”
Ikiwa zote mbili zinawezekana, matokeo yanaweza kuwa “haijulikani.”

Mbinu hii inajaribu kuzuia akili bandia kujibu kwa nasibu. Kwa sababu matokeo yanafungamana na ukaguzi wa kuridhika kimantiki.

Maswali ya namba yanasuluhishwaje?

Baadhi ya maswali si ya kweli/si kweli, bali ni ya namba au ya mpangilio. Kwa mfano:

“Kitu hiki kiko katika nafasi gani?”
“Umri ni nini?”
“Chaguo lipi linaendana na masharti yaliyotolewa?”

Katika hali hiyo SSR hujaribu thamani zinazowezekana moja baada ya nyingine.

Ikiwa usemi wa makala utarahisishwa, unasema:

Seti ya suluhisho = thamani teule zinazokubaliana na taarifa zilizotolewa

Yaani mfumo huweka kila thamani inayowezekana ndani ya tatizo la mantiki na hukagua: “je, thamani hii inapingana na taarifa zilizotolewa?”

Ikiwa teule moja tu inabaki thabiti, hilo ndilo jibu. Ikiwa teule nyingi zinabaki thabiti, tatizo linaweza kuwa lisilo wazi au taarifa zinaweza kuwa hafifu.

Kwa nini soft logic inahitajika?

Katika mantiki kali, ikiwa taarifa moja itatafsiriwa vibaya, mfumo mzima unaweza kuharibika.

Kwa mfano, tatizo linasema “Ali si mwekundu,” lakini modeli kwa makosa inatafsiri “Ali ni mwekundu.” Kosa hili moja linaweza kusababisha kitatuaji kutathmini vibaya matokeo yote.

Kwa hiyo SSR hutumia soft logic.

Soft logic, badala ya kuchukulia sheria kama “kweli kabisa” au “si kweli kabisa” tu, huipa baadhi ya taarifa uzito wa uaminifu.

Katika makala, wazo la uzito wa uaminifu linatumika hivi:

w(φ) = exp(-H(φ))

Hapa H(φ) ni kipimo cha entropy kinachowakilisha jinsi modeli ilivyokuwa na kutokuwa na uhakika wakati wa kuzalisha usemi husika.

Maana rahisi ni:

Ikiwa modeli inaonekana isiyo na uhakika sana wakati wa kuzalisha usemi wa mantiki, usemi huo unaweza kupewa uaminifu mdogo.
Ikiwa modeli inaonekana yenye uhakika zaidi, usemi huo unaweza kupata uzito mkubwa zaidi.

Hii inalenga kupunguza uharibifu wa mfumo mzima kutokana na tafsiri za mantiki zenye kasoro.

Ikiwa tafsiri imeharibika sana, nini hutokea?

SSR ina hatua nyingine muhimu ya usalama: kuchuja.

Ikiwa maneno ya mantiki yanayozalishwa na modeli ya lugha yameharibika sana — kwa mfano sehemu za lugha asilia zimesalia, kuna ishara zilizoharibika, au usemi hausomeki na kitatuaji — mfumo huyachuja.

Ikiwa kuna makosa makubwa mengi, au swali lenyewe limeharibika, SSR hailazimishi suluhisho la ishara. Badala yake inarudi kwenye njia ya Chain-of-Thought ya kawaida.

Uamuzi huu ni muhimu. Kwa sababu si sahihi kulazimisha kila tatizo kuingia kwenye kitatuaji cha ishara. Ikiwa tafsiri ya mantiki imeanguka, kitatuaji cha ishara hakiwezi kutoa matokeo ya kuaminika.

Wakati kutokuwa na uhakika kunabaki, utafutaji wa kurudi uliolengwa hufanywa

Soft logic inaweza kupunguza baadhi ya migongano; lakini wakati mwingine majibu mengi bado yanawezekana. Katika hali hiyo SSR huuliza: “taarifa gani inayokosekana ingeifanya matokeo kuwa ya kipekee?”

Sehemu hii inaitwa katika makala dual-system targeted retrieval. Kwa Kiswahili inaweza kuitwa “urejeshaji uliolengwa wa mifumo miwili” au kwa ufupi “kutafuta taarifa muhimu inayokosekana.”

Hapa kitatuaji cha ishara kwanza huamua:

“Ikiwa sharti hili la ziada lingekuwa kweli, jibu lingekuwa moja tu.”

Kisha sharti hilo teule hupewa modeli ya lugha kukaguliwa:

“Je, sharti hili linaweza kutolewa kutoka maandishi ya tatizo au kutoka maarifa ya pamoja yanayokubalika?”

Hii ni tofauti muhimu. Modeli ya lugha haichagui jibu moja kwa moja. Badala yake hukagua uhusiano mahususi unaokosekana ambao mfumo wa ishara umeashiria.

Mbinu hii inapunguza modeli ya lugha kuwa kazi nyembamba na inayoweza kudhibitiwa.

Mnyororo wa mawazo unaothibitishwa unazalishwaje?

SSR hailengi tu kuzalisha jibu. Pia inalenga kuzalisha mnyororo wa hoja unaothibitishwa.

Kwa hiyo mfumo hutoa athari mbili za kimantiki:

Hoja ya mbele:
Huanza kutoka taarifa zinazojulikana. Hutunga sheria. Hutoa matokeo mapya. Mwishowe hujaribu kufikia swali.

Hoja ya nyuma:
Huanza kutoka swali. Huenda nyuma kwa kuuliza: “ili kuthibitisha matokeo haya, ni misingi gani inahitajika?”

Njia hizi mbili zinaweza kugeuzwa kuwa maelezo yanayoeleweka na binadamu. Muhimu ni hili: maelezo si maandishi yaliyozalishwa kwa nasibu; yanatokana na athari ya uondoaji wa ishara.

Hii ni muhimu kwa elimu na akili bandia ya kuaminika. Kwa sababu mtumiaji anaweza kuona si jibu tu, bali pia njia ya kimantiki inayofikia jibu.

Kielelezo 1 kinaeleza nini?

Kielelezo 1 katika makala kinaonyesha mtiririko wa jumla wa SSR.

Katika picha, mfumo kwanza hupokea tatizo la lugha asilia. LLM hugeuza tatizo hilo kuwa maneno ya kimantiki. Kisha kuchuja hufanywa. Maneno yenye makosa huchujwa. Baadaye mfumo wa ishara unaingia.

Ikiwa mantiki ni wazi na thabiti, kitatuaji hutoa jibu. Ikiwa kuna mgongano au taarifa hafifu, soft logic na utafutaji wa kurudi uliolengwa huingia. Ikiwa upande wa ishara umeharibika sana, mfumo unarudi kwenye njia ya CoT ya kawaida.

Ujumbe mkuu wa picha hii ni:

SSR si mbinu moja; ni mstari wa hoja wenye tabaka nyingi unaotumia pamoja lugha asilia, mantiki, uthibitishaji, vikwazo laini na uzalishaji wa maelezo.

Kielelezo 2 kinaonyesha nini?

Kielelezo 2 katika makala kinaonyesha jinsi SSR inavyounda minyororo ya hoja ya mbele na ya nyuma.

Katika mnyororo wa mbele, mfumo huanza kutoka ukweli uliopo. Hutumia sheria kwa mpangilio na kusogea kuelekea matokeo yanayolengwa.

Katika mnyororo wa nyuma, huanza kutoka matokeo yanayolengwa. Hutafuta sheria gani, msingi gani na taarifa ya kati gani zinahitajika ili kuthibitisha matokeo hayo.

Mbinu hizi mbili zinafanana na jinsi binadamu wanavyosuluhisha matatizo. Wakati mwingine tunaenda kutoka taarifa tulizonazo hadi matokeo. Wakati mwingine tunafikiria nyuma: “ili kuonyesha hili, ninahitaji nini?”

Mchango wa SSR ni kufanya minyororo hii iweze kudhibitiwa kwa njia ya ishara.

Majaribio yalifanyikaje?

Watafiti wanajaribu SSR kwenye miradi tofauti mikubwa ya lugha na benchmarks tofauti za mantiki.

Miongoni mwa seti za data zinazotumika:

PrOntoQA:
Kazi za uondoaji wa kimantiki zilizopangiliwa.

ProofWriter:
Kazi za kimantiki zinazopima pia kama taarifa zilizotolewa zinatosha kuthibitisha matokeo.

FOLIO:
Matatizo magumu zaidi ya mantiki ya daraja ya kwanza, yanayoweza kujumuisha sentensi ndefu na maarifa ya pamoja yaliyofichika.

LogicalDeduction:
Matatizo ya mpangilio na mantiki ya kombinatoriki iliyotenganishwa.

Mbinu zinazolinganishwa ni pamoja na kujibu moja kwa moja, Chain-of-Thought ya kawaida, Formal CoT, Logic-LM, VeriCoT na SSR.

Kutoka kila seti ya data matatizo 200 yalichukuliwa kwa sampuli, na matokeo yalitathminiwa kwa usahihi na muda wa uondoaji.

Matokeo yanaonyesha nini?

Jedwali 1 linaonyesha kuwa SSR inatoa matokeo bora kuliko CoT ya kawaida katika miradi na seti nyingi za data.

Kwa mfano katika modeli ya Qwen2.5-7B:

• PrOntoQA: CoT 86,1; SSR 97,4
• ProofWriter: CoT 58,1; SSR 86,0
• LogicalDeduction: CoT 63,2; SSR 75,0

Katika miradi yenye nguvu zaidi kama DeepSeek-R1 na GPT-4o pia inaripotiwa kuwa SSR inatoa matokeo ya juu haswa katika kazi za kimantiki kama PrOntoQA na ProofWriter.

Katika seti kama FOLIO zinazohitaji lugha asilia ngumu zaidi na maarifa yaliyofichika, faida inaonekana ndogo zaidi. Hii ni hali inayotarajiwa; kwa sababu kadri kugeuza lugha asilia kuwa mantiki rasmi kunavyokuwa gumu, manufaa yanayotoka kwa mfumo wa ishara yanaweza kupungua.

Ujumbe mkuu wa matokeo haya ni:

SSR inaweza kutoa faida kubwa zaidi katika matatizo yenye muundo wa kimantiki wazi. Katika matatizo magumu na yasiyo wazi ya lugha asilia, ubora wa tafsiri bado ni kikwazo.

Kuna tofauti kubwa zaidi katika minyororo ya mawazo inayothibitishwa

Jedwali 2 halichunguzi jibu sahihi tu, bali pia mafanikio ya kuzalisha mnyororo kamili wa hoja sahihi na unaothibitishwa.

Hapa tofauti ya SSR inaonekana wazi zaidi.

Kwa mfano katika modeli ya Qwen kwa PrOntoQA:

• Formal CoT: 21,9
• VeriCoT: 51,7
• SSR uondoaji wa mbele: 89,7
• SSR uondoaji wa nyuma: 88,5

Hii inaonyesha kuwa SSR si tu inaboresha usahihi wa jibu, bali pia inatoa matokeo yenye nguvu katika kuzalisha minyororo ya maelezo yenye mantiki na inayothibitishwa.

Jambo hili ni muhimu haswa. Kwa sababu kwa watumiaji, wakati mwingine sababu sahihi ni muhimu kama jibu sahihi.

Katika pembejeo zilizoharibiwa au hafifu, nini hutokea?

Makala pia hujaribu uthabiti dhidi ya uharibifu wa pembejeo.

Katika baadhi ya majaribio, sentensi zisizohusiana huongezwa kwenye maandishi ya tatizo. Katika mengine, misingi muhimu hufutwa au kubadilishwa.

Kulingana na matokeo, kuongeza taarifa zisizohusiana hakuharibu mbinu sana. Lakini kufuta au kubadilisha taarifa muhimu kunasababisha kushuka kubwa zaidi kwa utendaji.

SSR kwa ujumla inaonyesha kushuka laini katika uharibifu huu. Sababu inaweza kuwa soft logic na vikwazo vya ishara vinafanya kazi pamoja. Mfumo, badala ya kuanguka kabisa mbele ya makosa madogo ya tafsiri au kutokuwa na uhakika, hujaribu kuendelea kwa sehemu ndogo zenye uaminifu zaidi.

Hata hivyo, uharibifu unapoongezeka sana, faida ya SSR pia hupungua. Hii inaonyesha kuwa mbinu si thabiti bila kikomo.

Kwa nini moduli ya kuchuja ni muhimu?

Jedwali 4 linaonyesha majaribio ya ablation ambapo baadhi ya sehemu ndani ya SSR huondolewa.

Moduli ya kuchuja inapoondolewa, utendaji hushuka sana haswa katika seti ngumu za data. Kwa mfano, kwa Qwen2.5-7B kwenye FOLIO, SSR ya kawaida ni 64,5 ilhali bila kuchuja inashuka hadi 48,0. Katika LogicalDeduction pia kuna kushuka kutoka 75,0 hadi 68,5.

Hii inatuonyesha:

Kutuma moja kwa moja maneno ya mantiki yanayozalishwa na LLM kwenda kitatuaji ni hatari. Kwanza ni lazima kusafisha maneno yaliyo wazi kuwa yameharibika au yenye makosa.

Uzito wa uaminifu unaotegemea entropy ndani ya soft logic hutoa mchango mdogo zaidi lakini wa kukamilisha. Yaani moja ya faida kubwa inaonekana kuwa kuchuja urasimishaji usio sahihi na kuwezesha hoja ya ishara kufanya kazi vizuri.

Utafiti unasema nini?

Ujumbe mkuu wa utafiti ni huu:

Ili kuboresha uwezo wa hoja wa miradi mikubwa ya lugha, kuomba maelezo marefu zaidi haitoshi. Hatua za hoja zinapaswa kuweza kuthibitishwa.

SSR kwa lengo hili inaunganisha mawazo matatu:

Kwanza, kugeuza matatizo ya lugha asilia kuwa mantiki ya ishara.
Pili, kukagua uthabiti na matokeo kwa kitatuaji cha ishara.
Tatu, kutumia soft logic na kuchuja dhidi ya makosa ya tafsiri.

Mbinu hii inalenga kupunguza makosa yanayotokana na uzalishaji huru wa maandishi wa LLM. Pia inatoa uwezo wa kuzalisha minyororo ya mawazo inayothibitishwa, ambayo inaweza kutumika katika data ya mafunzo.

Kwa nini hii ni muhimu?

Katika siku zijazo, mifumo ya akili bandia haitatumika kwa mazungumzo tu; itatumika pia kwa upangaji, hisabati, utafiti wa kisayansi, uthibitishaji wa programu, elimu na msaada wa maamuzi.

Katika nyanja hizi, “modeli imesema hivyo” haitoshi. Ni muhimu kujua kwa nini modeli imesema hivyo na kama matokeo yanaweza kuthibitishwa kimantiki.

Haswa katika hisabati na hoja za kisayansi, njia ya uthibitisho ni muhimu kama matokeo. Kumpa mwanafunzi au mtafiti jibu sahihi kwa sababu zisizo sahihi kunaweza kupotosha.

Mbinu kama SSR zinatoa mwelekeo muhimu wa utafiti ili mifumo ya akili bandia iwe ya kuaminika zaidi, inayoelezeka zaidi na inayoweza kudhibitiwa zaidi.

Mambo ya kuzingatia

Ingawa utafiti huu unatoa matokeo yenye nguvu, una mipaka.

Kwanza, utafiti ni preprint na matokeo yanapaswa kuungwa mkono na tathmini huru.

Pili, SSR bado inategemea uwezo wa LLM kugeuza lugha asilia kuwa maneno sahihi ya mantiki. Ikiwa tafsiri si sahihi, soft logic inaweza kupunguza kosa hilo lakini hailiondoi kabisa.

Tatu, mfumo unaporudi kwenye CoT ya kawaida wakati tafsiri imeharibika sana. Hii ni ya mantiki kwa usalama; lakini inaonyesha kuwa mfumo wa ishara haufanyi kazi katika kila hali.

Nne, majaribio yamefungwa kwa seti mahususi za data za benchmark. Matatizo ya ulimwengu halisi yanaweza kuwa yaliyotawanyika zaidi, hafifu, yenye maana nyingi na yanayotegemea muktadha.

Tano, kuzalisha mnyororo wa mawazo unaothibitishwa ni muhimu, lakini kama minyororo hii inaboresha kweli uwezo wa ndani wa hoja wa modeli ni swali tofauti la utafiti.

Hitimisho

Utafiti huu unapendekeza mwelekeo muhimu wa kufanya hoja za miradi mikubwa ya lugha ziwe za kuaminika zaidi: kuunganisha unyumbufu wa modeli ya lugha na uwezo wa kuthibitisha wa mantiki ya ishara.

Mbinu ya SSR hugeuza matatizo ya lugha asilia kuwa maneno ya mantiki, huyakagua kwa kitatuaji cha SMT, hutumia soft logic dhidi ya urasimishaji wenye makosa au hafifu, na mwishowe inaweza kuunda minyororo ya hoja inayothibitishwa inayosomeka na binadamu.

Matokeo yanaonyesha kuwa SSR inaweza kufanya vizuri zaidi kuliko CoT ya kawaida na baadhi ya mbinu za neuro-symbolic katika mazingira mengi ya majaribio. Hata hivyo mbinu bado inategemea makosa ya urasimishaji, ugumu wa tatizo na mipaka ya seti za data.

Bado, utafiti unakumbusha wazo muhimu sana kwa akili bandia ya kuaminika:

Akili bandia kutoa jibu zuri haitoshi; njia inayofikia jibu pia inapaswa kuwa inayoweza kudhibitiwa.

Kumbuka ya chanzo na mbinu

Maudhui haya yametayarishwa kwa njia ya kipekee katika muundo wa uhariri wa Verianla kwa kutumia utafiti wa kitaaluma uitwao “Symbolic-Neural Soft-Logic Reasoning: Towards Robust and Verifiable Thinking Chains via Cooperative Evolution” uliotayarishwa na Rui Wang, Zeming Wei, Yihao Zhang na Xiaokun Luan.

Utafiti ni wa aina ya preprint uliyochapishwa kwenye arXiv. Maudhui ni kwa ajili ya taarifa na elimu. Hayachukui nafasi ya usalama wa akili bandia, uchaguzi wa modeli, uthibitishaji wa programu, tathmini ya kitaaluma au ushauri wa kitaalamu wa kiufundi.