ترکیب منطق نمادین و شبکه‌های عصبی ایمنی پروازهای شهری را تضمین کرد

تصور کنید یک پهپاد بسته سفارش شما را در آسمان شلوغ تهران جابه‌جا می‌کند؛ در این لحظه، تکیه بر «احتمالات» برای جلوگیری از برخورد با ساختمان‌ها کافی نیست. شما به سیستمی نیاز دارید که نه تنها مسیر را هوشمندانه پیشنهاد دهد، بلکه بتواند با قطعیت ریاضی ثابت کند که هر تصمیم، ایمن است.

طبق مستندات منتشر شده در ۳ اکتبر ۲۰۲۶، یک نمونه اولیه از برنامه‌ریزی عصبی-نمادین (Neuro-Symbolic Planning) توانسته است شکاف میان خلاقیت شبکه‌های عصبی و سخت‌گیری منطق ریاضی را پر کند. این رویکرد در واقع نسخه‌ای تخصصی از معماری‌های ترکیبی است که پیش‌تر در حوزه حسابرسی مالی برای حذف توهمات مدل‌های زبانی به کار گرفته شد و اکنون در محیط‌های فیزیکی به کار می‌رود. این سامانه اجازه نمی‌دهد هواپیماهای خودران هنگام پرواز بر فراز مناطق متراکم شهری، تنها به احتمالات تکیه کنند.

جابه‌جایی هوایی شهری (UAM) در فضایی پر هرج‌ومرج بین ۳۰۰ تا ۱۰۰۰ پایی رخ می‌دهد. در این محیط، وسایل نقلیه الکتریکی عمودپرواز (eVTOL)، پهپادهای توزیع و خودروهای امدادی باید در کسری از ثانیه با موانع پویا و قوانین سخت‌گیرانه سازمان‌های هواپیمایی سازگار شوند. همان‌طور که در تحلیل‌های پیشین ما درباره‌ی امنیت سیستم‌های عامل‌محور اشاره کردیم، تضاد اصلی اینجاست: شبکه عصبی (Neural Network) — شبیه نقشهٔ مترو که سیگنال را از ورودی به جواب می‌رساند — در تشخیص الگوها عالی است اما نمی‌تواند تضمین ایمنی بدهد. در مقابل، برنامه‌ریزان نمادین می‌توانند قوانین را تضمین کنند اما در محیط‌های نویزی و پویا شکست می‌خورند. این چالش دقیقاً با دغدغه‌های پژوهشگران دیپ‌مایند همسو است که عدم شفافیت در استدلال مدل‌های عصبی را یک ریسک امنیتی بحرانی می‌دانند.

به گزارش توسعه‌دهندگان این پروژه، راهکار نهایی یک الگوی هیبریدی است: استفاده از یک سیاست عصبی برای پیشنهاد مسیرهای احتمالی و سپس استفاده از یک تأییدکننده نمادین برای فیلتر کردن یا اصلاح آن‌ها. این معماری از یک خط لوله چهار لایه تشکیل شده است: لایه ادراک برای ادغام حسگرها، شبکه پیشنهاد عصبی (Neural Proposal Network) برای پیشنهاد مسیر، لایه تأیید نمادین (Symbolic Verification Layer) برای فیلتر کردن و در نهایت لایه حاکمیت اعتماد صفر (Zero-Trust Governance Layer) برای بازرسی نهایی.

در بخش موتور پیشنهاد عصبی، سامانه از یک مدل ترنسفورمر (Transformer) برای تولید چندین نقطه مسیر (Waypoint) استفاده می‌کند. این مدل به جای یک مسیر، ۸ گزینه مختلف پیشنهاد می‌دهد تا اگر تأییدکننده نمادین مسیر اصلی را رد کرد، جایگزین‌های ایمنی موجود باشند. برای افزایش کارایی، یک «تابع زیان آگاه از تأیید» پیاده‌سازی شده است که شبکه عصبی را هرگاه مسیری رد شده پیشنهاد دهد، جریمه می‌کند. این یعنی مدل یاد می‌گیرد قبل از پیشنهاد مسیر، به محدودیت‌ها «فکر» کند.

لایه تأیید نمادین جایی است که تضمین‌های سخت ریاضی جایگزین احتمالات می‌شوند. این لایه با استفاده از منطق زمانی خطی (LTL) و حل‌کننده‌های SMT (مانند Z3)، هر پیشنهاد را با قوانین غیرقابل مذاکره می‌سنجد:

• حداقل فاصله: تضمین فاصله ۳۰ متری بین هواپیماها.
• رعایت حصارهای جغرافیایی: نگه داشتن مسیر در کریدورهای مجاز.
• امکان‌پذیری کینماتیکی: اطمینان از اینکه مسیر از محدودیت‌های فیزیکی سرعت و شتاب هواپیما فراتر نرود.
• ایمنی زمانی: تضمین منطقی (مثلاً: اگر در منطقه A هستی، باید ظرف T ثانیه از آن خارج شوی).

از آنجا که حل‌کننده‌های SMT برای عملیات‌های ۲۰ هرتزی (در هر ثانیه ۲۰ بار) کند هستند، سامانه از محاسبات بازه‌ای برای بررسی‌های سریع استفاده می‌کند. اگر مسیری تقریباً درست باشد، یک بهینه‌ساز سبک با استفاده از گرادیان کاهشی (Gradient Descent) مسیر را در حداکثر ۵۰ تکرار اصلاح می‌کند. یکی از ارزشمندترین خروجی‌های این لایه، تولید «شاهد» یا مثال نقض است؛ یعنی دقیقاً می‌گوید چرا یک مسیر رد شد (مثلاً: در ثانیه ۷، فاصله ۲۲ متر بود و قانون ۳۰ متر نقض شد). این بازخورد مستقیماً به شبکه عصبی برمی‌گردد تا آموزش مدل بهبود یابد.

اما ایمنی بدون امنیت معنا ندارد. لایه حاکمیت اعتماد صفر بر این اصل استوار است که هیچ جزء یا اپراتوری نباید به‌طور پیش‌فرض مورد اعتماد باشد. این لایه چهار مکانیسم امنیتی دارد:

• گواهی مدل: هر وزن عصبی و قانون نمادین هش (Hash) و امضا می‌شود.
• ردیابی منشأ: هر تصمیم در یک زنجیره رمزنگاری‌شده (دفتر کل) ثبت می‌شود تا هرگونه دست‌کاری قابل شناسایی باشد.
• پایش زمان اجرا: شناسایی تغییرات توزیع داده‌ها یا پیشنهادهای غیرعادی.
• اجرای سیاست‌ها: قوانین حاکمیتی خود به صورت مشخصات رسمی بررسی می‌شوند.

این ساختار تضمین می‌کند که حتی اگر یک شبکه عصبی مسموم شود، لایه تأیید مسیرهای غلط را می‌گیرد و لایه حاکمیت، ردپای این اتفاق را ثبت می‌کند. در آزمایش‌های «تیم قرمز» (Red Teaming)، حتی با ایجاد اختلال در ورودی‌های حسگر، تأییدکننده نمادین تمام مسیرهای ناایمن را شناسایی کرد. این یعنی بخش عصبی فقط برای بهینه‌سازی عملکرد است، اما لایه نمادین تنها داور نهایی ایمنی است.

این معماری پارادایم پرواز خودران را از «ایمنی احتمالی» به «ایمنی گواهینامه‌دار» تغییر می‌دهد. این رویکرد فراتر از پهپادها، در رباتیک جراحی (تأیید حرکات در برابر محدودیت‌های آناتومیک) و خودروهای خودران (اجرای قوانین راهنمایی و رانندگی بر روی سیاست‌های رانندگی عصبی) کاربرد دارد. این همزیستی میان منطق و شهود عصبی، در راستای دیدگاه‌های جدیدی است که هوش مصنوعی همزیست را جایگزینی برای مدل‌های تک‌ساحتی تکینگی می‌داند.

گام بعدی شما

• برای پیاده‌سازی حلقه‌های «تأیید و اصلاح»، ادغام حل‌کننده‌های Z3 SMT با تولیدکننده‌های مسیر مبتنی بر PyTorch را بررسی کنید.
• مطالعه در مورد «حساب‌های بازه‌ای» (Interval Arithmetic) برای کاهش تأخیر در لایه‌های تأیید ریاضی.
• بررسی مدل‌های حاکمیت توزیع‌شده برای محیط‌هایی که چندین اپراتور مختلف در یک فضای هوایی فعالیت می‌کنند.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است؛ برای درک اینکه این محاسبات سنگین چگونه در لبه (Edge) اجرا می‌شوند، به تحلیل ما درباره تراشه‌های NPU نسل جدید مراجعه کنید.