미분가능 모달 논리로 다중 에이전트 디버깅과 협업 구현

초록

**
본 튜토리얼 논문은 전통적 모달 논리의 정형성을 유지하면서, 접근 관계와 세계 평가를 신경망으로 학습하는 “Differentiable Modal Logic(DML)”과 그 구현체인 Modal Logical Neural Networks(MLNN)를 제시한다. 에피스틱·템포럴·데온틱·독사스틱 네 가지 모달리티를 각각 신뢰 학습, 인과 추적, 규범 검증, LLM 환각 탐지에 적용하고, 논리 모순을 최소화하는 손실 함수로 구조를 최적화한다. 코드와 데이터셋을 Jupyter 노트북 형태로 공개해 재현성을 확보한다.

**

상세 분석

**
이 논문은 다중 에이전트 시스템의 “의미적 디버깅”을 목표로, 전통적 모달 논리의 Kripke 구조를 미분가능하게 만든다. 핵심 아이디어는 세계 집합 W, 접근 관계 R, 평가 함수 V 를 각각 텐서 형태로 표현하고, R을 파라미터 θ 로 학습한다는 점이다. 접근 관계는 전역 행렬 형태와 메트릭 학습 기반 임베딩 f θ 로 두 가지 스케일링 옵션을 제공해 수만~수십만 규모의 시스템에도 적용 가능하도록 설계했다.

논리 연산은 Łukasiewicz t‑norm을 기반으로 연속화한다. 예를 들어, □ϕ(w)=min₍w′₎