XiaoMi-AI文件搜索系统
World File Search System逻辑程序
将逻辑应用于物理学：类量子特征逻辑程序
摘要：由于量子信息技术在我们日常生活中的快速发展，考虑逻辑与物理之间的联系非常重要。本文讨论了一种受量子理论启发、使用算子的逻辑新方法，即特征逻辑。它使用线性代数表达逻辑命题。逻辑函数由算子表示，逻辑真值表对应于特征值结构。它通过将语义从使用投影算子的布尔二进制字母表 {0,1} 更改为使用可逆对合算子的二进制字母表 {+1, −1}，扩展了经典逻辑的可能性。此外，对于任何字母表，都可以使用基于拉格朗日插值和凯莱-汉密尔顿定理的算子方法合成多值逻辑算子。考虑逻辑输入状态的叠加，可以得到一个模糊逻辑表示，其中模糊隶属函数是 Born 规则给出的量子概率。介绍了布尔、波斯特、庞加莱和组合逻辑与概率论、非交换四元数代数和图灵机的历史相似之处。受格罗弗算法的启发，提出了对一阶逻辑的扩展。特征逻辑本质上是一种运算符逻辑，其真值表逻辑语义由特征值结构提供，该结构被证明与逻辑量子门的普遍性有关，非交换性和纠缠起着根本性的作用。
文章 将逻辑应用于物理学：类量子特征逻辑程序
摘要：由于量子信息技术在我们日常生活中的快速发展，考虑逻辑与物理之间的联系非常重要。本文讨论了一种受量子理论启发、使用算子的逻辑新方法，即特征逻辑。它使用线性代数表达逻辑命题。逻辑函数由算子表示，逻辑真值表对应于特征值结构。它通过将语义从使用投影算子的布尔二进制字母表 {0,1} 更改为使用可逆对合算子的二进制字母表 {+1, −1}，扩展了经典逻辑的可能性。此外，对于任何字母表，都可以使用基于拉格朗日插值和凯莱-汉密尔顿定理的算子方法合成多值逻辑算子。考虑逻辑输入状态的叠加，可以得到一个模糊逻辑表示，其中模糊隶属函数是 Born 规则给出的量子概率。介绍了布尔、波斯特、庞加莱和组合逻辑与概率论、非交换四元数代数和图灵机的历史相似之处。受格罗弗算法的启发，提出了对一阶逻辑的扩展。特征逻辑本质上是一种运算符逻辑，其真值表逻辑语义由特征值结构提供，该结构被证明与逻辑量子门的普遍性有关，非交换性和纠缠起着根本性的作用。
密度泛函理论在材料性质计算中的量子后见之明
材料的基本性质由原子核势能、电子质量和相互排斥力下的电子决定。不同材料之间的变量是离子势。计算电子性质的逻辑程序是从势到电子分布。这使得从原子、分子到固体的材料性质的实际计算成为可能。由于许多人的努力，这种方法已经蓬勃发展。这个概念类似于将人类人口分布的预测从丘陵和山谷的景观转变为从人口分布确定景观。在原子系统中，量子的怪癖允许这种切换，但决定它只是量子态断层扫描中的一个切片。作者分享了他从这个切片开发的经验，但接近用人口切换景观的强大概念。
逻辑马尔可夫决策计划 - 人
在过去的几年中，在扩展具有处理对象的能力的概率和随机框架方面有很多工作，例如。（Anderson等，2002; DˇSeroski等，2001; Friedman等，1999; Kersting＆de Raedt，2001; Kersting等，2003; Muggleton，1996）。从归纳逻辑程序或关系学习的角度来看，这些问题是对使用关系或计算逻辑表示的命题表示的升级。已经报道了这一方向的各种成功。的确，Friedman等人。（1999）以及Kersting和De Raedt（2001）升级贝叶斯网络，Muggleton（1996）升级随机传统语法，Anderson等。（2002）和Kerting等。（2003）升级（隐藏）马尔可夫模型。本文的第一个贡献是一种新颖的形式主义的介绍，称为逻辑马尔可夫决策计划（LOMDPS），该计划将马尔可夫决策过程与计算逻辑相结合。结果是
![arxiv：2503.04731V1 [CS.LO] 2025年1月31日](/simg/g:\will\search\icon\source\2\2fc93682539b307d80eb9355c3a3830234bf790b.webp)
arxiv：2503.04731V1 [CS.LO] 2025年1月31日
答案集编程（ASP）是一个突出的问题模型和解决框架，其解决方案称为答案集。认知逻辑程序（ELP）扩展了ASP，以推理全部或某些答案集。解决方案可以看作是多个答案集（称为世界观）的后果。虽然对命题计划的综合性进行了充分的研究，但非地面案例仍然开放。本文确定了非地面ELP的复杂性。我们为众所周知的程序片段提供了一张全面的图片，事实证明，该类别的nexptime是完整的，可以访问高达σp2的甲壳。在定量设置中，我们建立了＃EXP以外的复杂性的复杂性结果。为了减轻高复杂性，我们在界定的谓词ARITY的情况下建立了结果，达到了多项式层次结构的第四级。最后，我们为参数树宽度提供了伦理紧密的运行时结果，该宽度具有定量推理中的应用，在该定量推理中，我们推理了epymic文字的（边际）概率。
通过逻辑编程来解释人工智能
我们专注于归纳逻辑程序的问题，该程序可以解释由支持向量机 (SVM) 算法学习到的模型。自上而下的顺序覆盖归纳逻辑程序设计 (ILP) 算法（例如 FOIL）使用信息论中的启发式方法进行爬山搜索。这类算法的主要问题是陷入局部最优。然而，在我们的新方法中，数据依赖型爬山搜索被模型依赖型搜索所取代，其中首先训练全局最优的 SVM 模型，然后算法将支持向量作为模型中最具影响力的数据点，并归纳出一个涵盖支持向量和与该支持向量最相似的点的子句。我们的算法没有定义固定的假设搜索空间，而是利用可解释 AI 中针对特定示例的解释器 SHAP 来确定相关特征集。这种方法产生了一种算法，该算法可以捕捉 SVM 模型的底层逻辑，并且在诱导子句数量和分类评估指标方面优于其他 ILP 算法。本文正在考虑在“逻辑编程理论与实践”杂志上发表。
统计关系学习简介
lise Getoor和Ben Taskar撰写的统计关系学习简介，本书探讨了统计关系学习，该领域解决了不确定性并利用大规模系统中的组成结构。它建立在概率理论和统计基础上，结合了逻辑，数据库和编程语言中的工具，以表示复杂的结构。本书提供了当前形式主义，模型和算法的概述，以有效地推理结构化的系统和数据。关键主题包括图形模型，概率关系模型和基于逻辑的形式主义。在整个过程中提供了许多应用程序，本书强调了共同点并阐明了拟议方法之间的差异，同时还确定了重要的代表性和算法问题。美国搜索IX，第586页。 ：26厘米“索引”：可醒着的Indeks可用来包括参考书目参考文献，由Lise Getoor编辑，由Lise Getoor编辑和Ben Taskar撰写，由MIT Press处理，由MET Press Holdenting继承了无情和利用组成结构的构成结构，是为了实现和索取的larg-scalscalscal-calscaled System。统计相对学习基于Ideaz的构建，从概率的理论和Statstics构建，以解决不属性，同时从logik，dabases和programe languajes到recretertent结构性结合了工具。本教科书深入研究了马尔可夫逻辑和随机逻辑程序，探索了高级主题，例如具有未知对象和关系依赖性网络的概率模型，以及在关系域和信息提取中的强化学习。通过涵盖不同的方法，该书阐明了这些方法之间的相似性和区别，同时还指出了重要的代表性和算法挑战。
基于逻辑的可解释和增量机器学习
在ILP中也以非单调逻辑程序和默认规则（Srinivasan，Muggleton和Bain 1992; Dimopoulos and Kakas 1995）学习了身体中的目标。将模型表示为默认规则带来了可观的优势，可解释性，增量学习和数据经济。我们提出了可解释和可解释的基于LP的机器学习算法，以及用于增量学习的基于LP的强化学习，以及基于LP-基于LP的解释，用于解决数据经济问题。我们可解释的基于LP的机器学习方法（Shakerin，Salazar和Gupta 2017; Wang and Gupta 2022，2024）与最先进的技术竞争，例如XGBOOST（Chen and Guestrin 2016）和Mult-ceptrons/ceptrons/nealurations/nealuret网络（Aggarwal 2018）。表1显示了基于LP的ML算法的Fold-SE（Wang and Gupta 2024）的性能比较，以及XG-BOOST和MLP在二进制分类任务上的性能比较。与其他可解释的ML算法不同的是，它可以从数据中学习基于简洁的逻辑规则集，然后可以使用该规则集来进行预测。表2显示了Fold-SE与另一个流行的可解释的ML算法Ripper的比较。fold-se在产生明显较小的规则集的同时，达到了更高或可取的精度。nesyfold（Padalkar，Wang和Gupta 2023; Padalkar and Gupta 2023）是一个使用Fold-Se-M算法（用于多类别分类）的框架，从对图像分类任务进行培训的CNN生成全局解释。对于整个火车组，将最后一层内核的输出进行了二元。然后使用折叠-SE-M算法来学习一个规则集，其中每个谓词的真实值都被二进制内核的输出确定。每个内核都可以映射到它所学会的概念中，可以将其识别为识别及其相应的谓词可以将其标记为这些概念。图1说明了用于对“浴室”，“床房”和“厨房”的图像进行分类的CNN的Nesyfold框架。可以通过域专家仔细检查获得的规则集，以检查CNN可能学到的偏见。默认规则是捕获关系数据集的逻辑的绝佳方法。人类在日常推理中使用默认值（Stenning and van Lambalgen 2008； Dietz Saldanha，Houldobler和Pereira 2021）。大多数数据集都是由人类驱动的活动产生的（例如贷款