Rangkaian Neural Hopfield Diskret Berpandukan Simbolik: Pendekatan berasaskan 3-Satisfiabiliti

Abstract

Rangkaian Neural Buatan ialah pendekatan penting dalam kecerdasan buatan kerana keupayaannya mengenal pasti corak tersembunyi dalam data. Rangkaian Neural Hopfield Diskret merupakan varian Rangkaian Neural Buatan yang menggunakan struktur maklum balas penuh serta memori capaian kandungan untuk menyimpan dan mengingat corak. Namun, rangkaian ini sering dianggap sebagai model 'kotak hitam' kerana ketiadaan kawalan simbolik yang jelas terhadap dinamik neuron. Kajian ini mencadangkan pelaksanaan logik 3-Satisfiabiliti sebagai mekanisme kawalan simbolik bagi mempertingkat interpretasi dan kecekapan Rangkaian Neural Hopfield Diskret. Logik ini mengehadkan setiap klausa kepada tiga literal, di mana setiap literal mewakili satu neuron dalam rangkaian. Dengan penggabungan 3-Satisfiabiliti ke dalam struktur Rangkaian Neural Hopfield Diskret, neuron dapat dimodelkan dengan lebih teratur dan meningkatkan keupayaan sistem dalam melaksanakan pengoptimuman secara sistematik. Prestasi pendekatan ini dinilai melalui fasa pembelajaran dan perolehan untuk memastikan pencapaian neuron akhir yang optimum. Hasil kajian ini diharapkan dapat memperkukuh ketelusan model Rangkaian Neural Buatan dan membentuk asas kepada pembangunan sistem neural yang lebih utuh dan stabil.