연속 모달 논리 신경망 확률적 접근성

초록

Fluid Logic은 모달 연산자를 연속 상태공간 위의 신경 SDE로 구현해, 확률적 접근성을 통해 □와 ♢의 의미를 구분한다. 논리‑인포메드 신경망(LINN)을 손실에 삽입해 물리식 없이도 논리적 제약을 만족하도록 학습한다. 세 가지 사례(에피스틱·독사틱, 시간 논리, 데온틱)에서 기존 이산 방법보다 메모리·표현 효율이 뛰어나며, 양자화 붕괴 방지와 엔트로피 위험 측정의 이론적 보장을 제공한다.

상세 분석

본 논문은 기존 이산 Kripke 구조를 연속 매니폴드로 확장하는 ‘Fluid Logic’이라는 새로운 패러다임을 제시한다. 핵심 아이디어는 각 모달 연산자(□, ♢, K, B, O 등)를 별개의 Neural SDE(확산·드리프트 파라미터 θ 로 학습)로 매핑하고, 샘플 경로를 Monte‑Carlo 로 추출해 연산자를 엔트로피 위험 측정으로 정의한다. 이때 □는 소프트 최소(soft‑min)로 모든 경로의 최악 상황을, ♢는 소프트 최대(soft‑max)로 최선 상황을 근사한다. 온도 파라미터 τ가 0에 수렴하면 전통적인 ∀/∃ 양자화와 일치하지만, τ>0에서는 확률적 분산이 존재해 양자화 붕괴(□≡♢)를 방지한다(정리 2).

SDE의 확산 계수 σ(i)θ 가 양의 측정을 갖는 경우, 경로가 다중으로 분기하면서 접근성 관계가 확률 분포가 된다. 이는 메모리 복잡도를 O(|θ|)로 낮추고, 전통적인 O(|W|²) 인접 행렬을 대체한다. 또한, SDE의 초기화 방식에 따라 에피스틱(K)과 독사틱(B) 연산자를 구분한다. K는 실제 상태에서 시작해 진리성을 보장하도록 설계돼 Axiom T(□φ→φ)를 근사하고, B는 에이전트의 잘못된 내부 모델에서 시작해 Axiom T를 위반하도록 함으로써 ‘hallucination detection’을 가능하게 한다.

이론적 측면에서는 두 가지 주요 정리를 제공한다. 첫 번째 정리(정리 1)는 엔트로피 위험 기반의 하한이 Monte‑Carlo 추정에 대해 지수적 집중(concentration) 보장을 갖는다는 것을 증명한다. 두 번째 정리(정리 2)는 비퇴화 확산이 존재하면 반드시 L□φ < U♢φ 를 만족하는 상황이 존재함을 보여, 확률적 접근성이 양자화 연산자를 구분함을 보장한다. 복합 연산자(예: □