1. Introduction
This paper presents Neutrosophic Causal AI, a novel framework that integrates neutrosophic logic with structural causal models to address decision-making under conditions of uncertainty, ambiguity, and incomplete data. Traditional Causal AI, while effective in identifying cause-and-effect relationships, often assumes a level of precision not found in complex real-world systems. The proposed framework extends causal inference by incorporating the neutrosophic components of truth (T), indeterminacy (I), and falsity (F), making it particularly suitable for applications in decentralized Web3 environments where reliability and trust are paramount.
২. তাত্ত্বিক ভিত্তি
২.১ নিউট্রোসফিক লজিক
নিউট্রোসফিক লজিক, ফ্লোরেন্টিন স্মারান্ডাচে দ্বারা প্রবর্তিত, ফাজি, ইনটুইশনিস্টিক এবং প্যারাকনসিস্টেন্ট লজিকের একটি সাধারণীকরণ। এটি প্রপোজিশনের মানকে একটি ট্রিপলেট $(T, I, F)$ দ্বারা উপস্থাপন করতে দেয়, যেখানে $T$ হল সত্যের মাত্রা, $I$ হল অনির্ধারিততার মাত্রা এবং $F$ হল মিথ্যার মাত্রা, যেখানে $T, I, F \subseteq [0, 1]$। এই ফর্মালিজমটি পরস্পরবিরোধী, অস্পষ্ট এবং অসম্পূর্ণ তথ্য পরিচালনায় দক্ষ।
২.২ কার্যকারণমূলক AI এবং স্ট্রাকচারাল কজাল মডেল
জুডেয়া পার্লের কাজের উপর ভিত্তি করে গড়ে ওঠা কার্যকারণমূলক AI, পারস্পরিক সম্পর্কের বাইরে গিয়ে কারণ-ও-প্রভাব সম্পর্ক বুঝতে সক্ষম। এর মূল সরঞ্জামগুলি হল Structural Causal Models (SCMs) এবং do-calculus. একটি এসসিএমকে একটি ট্রিপল $(U, V, F)$ হিসাবে সংজ্ঞায়িত করা হয় যেখানে $U$ হল বহিরাগত ভেরিয়েবলের একটি সেট, $V$ হল অন্তর্নিহিত ভেরিয়েবলের একটি সেট, এবং $F$ হল প্রতিটি $V_i$ কে অন্যান্য ভেরিয়েবলের ভিত্তিতে মান নির্ধারণকারী ফাংশনের একটি সেট। do-operator, $do(X=x)$, একটি হস্তক্ষেপকে উপস্থাপন করে যা ভেরিয়েবল $X$ কে $x$ মানে সেট করে, যা কার্যকারণমূলক প্রভাব $P(Y|do(X=x))$ গণনা করতে সক্ষম করে।
২.৩ Web3 এবং বিকেন্দ্রীকৃত সিস্টেম
Web3 ইন্টারনেটের পরবর্তী বিবর্তনের প্রতিনিধিত্ব করে, যা বিকেন্দ্রীকরণ, ব্লকচেইন প্রযুক্তি, স্মার্ট চুক্তি এবং ব্যবহারকারীর সার্বভৌমত্ব দ্বারা চিহ্নিত। এই ধরনের পরিবেশে সিদ্ধান্ত গ্রহণ—যেমন বিকেন্দ্রীভূত স্বায়ত্তশাসিত সংস্থা (DAO) বা ওরাকল নেটওয়ার্ক—জটিল, যেখানে প্রায়শই অসম্পূর্ণ অন-চেইন ডেটা এবং অন্তর্নিহিত অনিশ্চয়তা সহ অফ-চেইন ঘটনা জড়িত থাকে।
3. The Neutrosophic Causal AI Framework
মূল উদ্ভাবন হল নিউট্রোসফিক লজিক এবং Pearl-এর কার্যকারণ যন্ত্রের সংশ্লেষণ।
3.1 Formalizing the Neutrosophic do-Operator
প্রচলিত do-operator কে নিউট্রোসফিক অনিশ্চয়তা হ্যান্ডেল করার জন্য প্রসারিত করা হয়েছে। A নিউট্রোসফিক হস্তক্ষেপ কে $do(X=x)$ হিসাবে নয় বরং $do_N(X = \langle x_T, x_I, x_F \rangle)$ হিসাবে সংজ্ঞায়িত করা হয়, যেখানে হস্তক্ষেপটিই নিশ্চয়তার মাত্রা বহন করে। ফলাফল $Y$ এর উপর সৃষ্ট কার্যকারণ প্রভাব তখন একটি নিউট্রোসফিক মান হয়: $P_N(Y | do_N(X)) = \langle P_T, P_I, P_F \rangle$।
3.2 Neutrosophic Structural Causal Models (N-SCMs)
একটি এন-এসসিএম স্ট্যান্ডার্ড এসসিএম কে প্রসারিত করে। প্রতিটি স্ট্রাকচারাল সমীকরণ $V_i := f_i(PA_i, U_i)$ কে একটি নিউট্রোসফিক মান আউটপুট দিতে পুনঃসংজ্ঞায়িত করা হয়। উদাহরণস্বরূপ, "বাজার মনোভাব" প্রতিনিধিত্বকারী একটি চলককে এভাবে সংজ্ঞায়িত করা যেতে পারে: $Sentiment := f(News, SocialMedia) = \langle T, I, F \rangle$, যেখানে ফাংশন $f$ অস্পষ্ট ও পরস্পরবিরোধী ইনপুটের ভিত্তিতে ট্রিপলেট গণনা করে।
4. প্রযুক্তিগত বিবরণ এবং গাণিতিক ফর্মালিজম
গাণিতিক কোরটি নিউট্রোসফিক কার্যকারণ কাঠামোর মধ্যে অপারেশন সংজ্ঞায়িত করার সাথে জড়িত।
- নিউট্রোসফিক ভেরিয়েবল: $X_N = \{(x, T_X(x), I_X(x), F_X(x)) | x \in X\}$.
- নিউট্রোসফিক স্ট্রাকচারাল ইকুয়েশন: $Y_N := f_N(PA_N, U_N)$, যেখানে $f_N$ ম্যাপ করে $(T, I, F)$-এ।
- কার্যকারণ প্রভাব গণনা: $do_N(X_N)$ দেওয়া $Y_N$-এর সম্ভাবনা গণনা করা হয় N-SCM গ্রাফটি পরিবর্তন করে, $X_N$-কে হস্তক্ষেপ মানে সেট করে, এবং নিউট্রোসফিক যোগ ও গুণের জন্য সংজ্ঞায়িত অপারেটর ব্যবহার করে নেটওয়ার্কের মাধ্যমে নিউট্রোসফিক মানগুলি প্রচার করে।
অনির্ধারিততার অধীনে কার্যকারণ পথগুলিকে একত্রিত করার জন্য একটি মূল সূত্র হতে পারে: $P_N(Y|do_N(X)) = \bigoplus_{paths} \left( \bigotimes_{edges \in path} W_N^{edge} \right)$, যেখানে $\oplus$ এবং $\otimes$ হল নিউট্রোসফিক অপারেটর।
5. Experimental Results and Simulation Analysis
কাগজটি সিমুলেশন-ভিত্তিক বৈধতা প্রয়োগ করে। একটি বিকেন্দ্রীভূত অর্থ (DeFi) ঋণ প্রোটোকল অনুকরণকারী একটি সিন্থেটিক পরিবেশ তৈরি করা হয়েছিল। মূল ভেরিয়েবল (যেমন, জামানতের গুণমান, ঋণগ্রহীতার সুনাম, সম্পদের অস্থিরতা) সহজাত অনির্ধারিততা সহ মডেল করা হয়েছিল।
চার্ট 1: অনিশ্চয়তার অধীনে সিদ্ধান্তের নির্ভুলতা। তিনটি মডেলের তুলনামূলক একটি বার চার্ট: 1) স্ট্যান্ডার্ড কার্যকারণ AI, 2) ফাজি লজিক-ভিত্তিক কার্যকারণ মডেল, 3) নিউট্রোসফিক কার্যকারণ AI। X-অক্ষ তথ্যের অস্পষ্টতা/বিরোধের ক্রমবর্ধমান স্তর (নিম্ন থেকে উচ্চ) নির্দেশ করে। Y-অক্ষ সিদ্ধান্তের নির্ভুলতা (%) দেখায়। নিউট্রোসফিক কার্যকারণ AI মডেলটি উচ্চ অস্পষ্টতায় (~85%) স্ট্যান্ডার্ড মডেলের (~50%) খাড়া পতন এবং ফাজি মডেলের (~70%) মাঝারি পতনের তুলনায় উল্লেখযোগ্যভাবে উচ্চতর নির্ভুলতা বজায় রাখে।
চার্ট 2: কাউন্টারফ্যাকচুয়াল প্রশ্নের রোবাস্টনেস। একটি লাইন গ্রাফ যা ইনপুট ডেটায় শব্দ যোগ করা হলে "কী হত যদি...?" প্রশ্নের উত্তরের স্থিতিশীলতা দেখায়। নিউট্রোসফিক কার্যকারণ AI-এর রেখাটি ন্যূনতম ওঠানামা দেখায়, যেখানে ঐতিহ্যগত মডেলগুলির রেখাগুলি উচ্চ ভ্যারিয়েন্স প্রদর্শন করে, যা নিউট্রোসফিক ফ্রেমওয়ার্কের এপিস্টেমিক রোবাস্টনেস প্রদর্শন করে।
ফলাফলগুলি প্রদর্শন করে যে N-SCMগুলি উচ্চ-অস্পষ্টতার পরিস্থিতিতে আরও সূক্ষ্ম এবং নির্ভরযোগ্য কার্যকারণ অনুমান প্রদান করে, বিশেষত একটি DAO-তে প্রস্তাবিত গভর্নেন্স পরিবর্তনের প্রভাব মূল্যায়ন বা স্মার্ট কন্ট্রাক্ট ঝুঁকি মূল্যায়নে।
6. বিশ্লেষণ কাঠামো: কেস স্টাডি উদাহরণ
দৃশ্যকল্প: একটি বিকেন্দ্রীকৃত স্বায়ত্তশাসিত সংস্থা (DAO) একটি কোষাগার বিনিয়োগ প্রস্তাবের উপর ভোট দিচ্ছে। তথ্যগুলো পরস্পরবিরোধী: ফোরাম পোস্টের কিছু সেন্টিমেন্ট বিশ্লেষণ ইতিবাচক ($T=0.7, I=0.2, F=0.1$), অন্যদিকে একই ধরনের প্রস্তাবের ঐতিহাসিক তথ্য উচ্চ ব্যর্থতার হার দেখায় ($T=0.2, I=0.3, F=0.8$)। একটি বাহ্যিক বাজার ঘটনা আরও অনিশ্চয়তা যোগ করে ($I=0.5$)।
N-SCM প্রয়োগ:
- চলক সংজ্ঞায়িত করুন: $ProposalQuality_N$, $CommunitySentiment_N$, $MarketCondition_N$, $SuccessProbability_N$।
- সম্পর্ক সংজ্ঞায়িত করুন: $SuccessProbability_N := f(ProposalQuality_N, CommunitySentiment_N, MarketCondition_N)$।
- ইনপুট নিউট্রোসফিক প্রমাণ: প্রতিটি প্যারেন্ট ভেরিয়েবলের জন্য পর্যবেক্ষিত $(T, I, F)$ মান ইনজেক্ট করুন।
- ইন্টারভেনশন অ্যানালাইসিস চালান: $P_N(Success | do_N(IncreaseMarketingBudget = \langle 0.6, 0.3, 0.1 \rangle))$ ক্যোয়ারী করুন। ফ্রেমওয়ার্কটি $\langle 0.65, 0.25, 0.15 \rangle$ এর মতো একটি ফলাফল আউটপুট করে, যার অর্থ সাফল্যের দিকে 65% প্রবণতা, 25% অনির্ধারিততা সহ, যা সিদ্ধান্ত গ্রহণের জন্য একটি স্বচ্ছ এবং সূক্ষ্ম ভিত্তি প্রদান করে।
7. Web3 পরিবেশে প্রয়োগ
- স্মার্ট কন্ট্রাক্ট ঝুঁকি মূল্যায়ন: অরাকল ফিড নির্ভরযোগ্যতা, কোড জটিলতা এবং অর্থনৈতিক প্রণোদনার চুক্তি ব্যর্থতার উপর কার্যকারণ প্রভাব মূল্যায়ন, অজানা দুর্বলতাগুলি (অনির্ধারিততা) বিবেচনা করে।
- DAO Governance: অস্পষ্ট সদস্য অভিপ্রায়ের মধ্যে, সম্প্রদায়ের অংশগ্রহণ এবং কোষাগারের স্বাস্থ্যের উপর বিভিন্ন ভোটিং প্রক্রিয়া বা প্রস্তাব কাঠামোর কার্যকারণমূলক প্রভাব মডেলিং।
- Decentralized Identity & Reputation: সুনাম স্কোরের জন্য কার্যকারণমূলক মডেল তৈরি করা যা পরস্পরবিরোধী অন-চেইন এবং অফ-চেইন আচরণগত তথ্য অন্তর্ভুক্ত করে।
- DeFi Protocol Design: অনিশ্চিত বাজার অবস্থার অধীনে প্যারামিটার পরিবর্তনের (যেমন, সুদের হার, জামানত অনুপাত) কার্যকারণমূলক প্রভাব সিমুলেশন করে পদ্ধতিগত ঝুঁকি প্রতিরোধ।
8. ভবিষ্যৎ দিকনির্দেশনা এবং গবেষণা সম্ভাবনা
- Integration with Large Language Models (LLMs): কার্যকারণ যুক্তিতে এলএলএম আউটপুট ভিত্তি করতে এবং এলএলএম-উৎপাদিত বিষয়বস্তু বা বিশ্লেষণে অনির্ধারিততাকে স্পষ্টভাবে মডেল করতে এন-এসসিএম ব্যবহার করা।
- তথ্য থেকে এন-এসসিএম শেখা: এমন মেশিন লার্নিং অ্যালগরিদম তৈরি করা যা পরস্পরবিরোধী তথ্যে সমৃদ্ধ পর্যবেক্ষণমূলক তথ্য থেকে এন-এসসিএম-এর গঠন ও প্যারামিটার আবিষ্কার করতে পারে।
- স্কেলযোগ্যতা এবং অন-চেইন বাস্তবায়ন: ব্লকচেইন পরিবেশে রিয়েল-টাইম ব্যবহারের জন্য নিউট্রোসফিক কার্যকারণ প্রশ্নের দক্ষ, যাচাইযোগ্য গণনার গবেষণা, সম্ভাব্য জিরো-নলেজ প্রুফ ব্যবহার করে।
- আন্তঃশাস্ত্রীয় প্রয়োগ: জলবায়ু ঝুঁকি মডেলিং, স্বাস্থ্যসেবা রোগনির্ণয় এবং সরবরাহ শৃঙ্খল ব্যবস্থাপনায় কাঠামো সম্প্রসারণ—যেসব ক্ষেত্রে তথ্য প্রায়শই অসম্পূর্ণ এবং কার্যকারণ প্রক্রিয়া জটিল।
9. References
- স্মারান্ডাচে, এফ. (১৯৯৮). নিউট্রোসফি: নিউট্রোসফিক সম্ভাবনা, সেট, এবং যুক্তিবিদ্যা. আমেরিকান রিসার্চ প্রেস.
- পার্ল, জে. (২০০৯). কার্যকারণ: মডেল, যুক্তি, এবং অনুমান (২য় সংস্করণ). কেমব্রিজ ইউনিভার্সিটি প্রেস.
- বিউটেরিন, ভি. (২০১৪). একটি নেক্সট-জেনারেশন স্মার্ট কন্ট্রাক্ট এবং বিকেন্দ্রীকৃত অ্যাপ্লিকেশন প্ল্যাটফর্ম. Ethereum White Paper.
- Schölkopf, B., et al. (2021). কার্যকারণ প্রতিনিধিত্বমূলক শিখনের দিকে। Proceedings of the IEEE.
- Peters, J., Janzing, D., & Schölkopf, B. (2017). Elements of Causal Inference: Foundations and Learning Algorithms. MIT Press.
- Zhu, J., et al. (2017). চক্র-সামঞ্জস্যপূর্ণ প্রতিপক্ষ নেটওয়ার্ক ব্যবহার করে জোড়াবিহীন চিত্র-থেকে-চিত্র অনুবাদ। Proceedings of the IEEE International Conference on Computer Vision (ICCV). (CycleGAN জোড়াবিহীন/অস্পষ্ট ডেটা ডোমেইন পরিচালনার একটি উদাহরণ হিসাবে)।
- MIT Technology Review. (2023). ওয়েব৩ কী? MIT Tech Review ওয়েবসাইট থেকে সংগৃহীত।
- Barbosa, R. P., Smarandache, F., Leyva Vázquez, M. Y., & Monge, J. B. (2025). Neutrosophy, Causal AI, and Web3: combo for complex decision-making. Neutrosophic Sets and Systems, 84.
10. Original Analysis: Industry Perspective
Core Insight: এই গবেষণাপত্রটি কেবল আরেকটি ক্রমবর্ধমান AI-এর মামুলি পরিবর্তন নয়; এটি ওয়েব৩-এর বিশৃঙ্খল, প্রতিদ্বন্দ্বিতাপূর্ণ ও অসম্পূর্ণ বাস্তবতার জন্য কার্যকারণ যুক্তিকে দৃঢ় করার একটি মৌলিক প্রচেষ্টা। লেখকরা সঠিকভাবে চিহ্নিত করেছেন যে Pearl-এর do-calculus-এর ভঙ্গুর সূক্ষ্মতা তখনই ভেঙে পড়ে যখন তা এমন সিস্টেমে প্রয়োগ করা হয় যেখানে তথ্য কেবল শোরগোলপূর্ণ নয়, বরং মৌলিকভাবে পরস্পরবিরোধী—যা ঠিক বেশিরভাগ অন-চেইন/অফ-চেইন তথ্য প্রবাহের অবস্থা। অনিশ্চয়তাকে $(I)$ কার্যকারণ মডেলে প্রথম শ্রেণির সদস্য হিসেবে এম্বেড করার তাদের পদক্ষেপই মূল ধারণাগত লাফ।
যৌক্তিক প্রবাহ: যুক্তিটি আকর্ষণীয়: ১) ওয়েব৩-এর জন্য আস্থা ও দৃঢ়তার জন্য কার্যকারণ যুক্তি প্রয়োজন (সত্য), ২) ওয়েব৩-এর অন্তর্নিহিত অনিশ্চয়তার অধীনে প্রচলিত কার্যকারণ মডেলগুলি ব্যর্থ হয় (সত্য, যেমন ওরাকল ম্যানিপুলেশন ও গভর্ন্যান্স আক্রমণে দেখা যায়), ৩) নিউট্রোসফি এই অনিশ্চয়তাকে প্রাতিষ্ঠানিক রূপ দেয়, ৪) অতএব, একটি সংশ্লেষণ প্রয়োজন। যুক্তির শৃঙ্খলটি মজবুত, যদিও গবেষণাপত্রটি একটি মাঠ-পরীক্ষিত সরঞ্জামের চেয়ে একটি প্রমাণ-অব-কনসেপ্ট নকশার বেশি। এটি কম্পিউটার ভিশনে যুগল চিত্র অনুবাদ (সুনির্দিষ্ট সঙ্গতি প্রয়োজন) থেকে CycleGAN-এর মতো মডেলের বিবর্তনের সমান্তরাল, যা অযুগল, অস্পষ্ট তথ্যের ডোমেইন পরিচালনা করে—একটি নির্ণায়ক থেকে সম্ভাব্যতা/অস্পষ্ট ম্যাপিং-এর দিকে পরিবর্তন।
Strengths & Flaws: এর প্রধান শক্তি হলো এর সময়োপযোগিতা ও উচ্চাকাঙ্ক্ষা। এটি "বিকেন্দ্রীভূত বুদ্ধিমত্তা"-র Achilles' heel-কে লক্ষ্য করে। একটি নিউট্রোসফিক do-operator-এর প্রাতিষ্ঠানিকীকরণ একটি সত্যিকারের তাত্ত্বিক অবদান। তবে, ত্রুটিগুলি ব্যবহারিকবড় কার্যকারণ গ্রাফের মাধ্যমে $(T, I, F)$ ট্রিপলেট প্রচারের গণনাগত জটিলতা নিষেধাত্মক হতে পারে। কাগজের সিমুলেশনগুলো সরলীকৃত; বাস্তব-বিশ্বের Web3 সিস্টেমে উচ্চ-মাত্রিক, অস্থির ডেটা জড়িত। একটি "অনিশ্চয়তার ব্ল্যাক বক্স" তৈরি করারও ঝুঁকি রয়েছে—যদি প্রতিটি আউটপুট একটি অস্পষ্ট ট্রিপলেট হয়, তবে এটি কি সত্যিই সিদ্ধান্ত গ্রহণে সাহায্য করে নাকি শুধু বিভ্রান্তির পরিমাণ নির্ধারণ করে? ফ্রেমওয়ার্কটির এর আউটপুটের উপর কাজ করার জন্য স্পষ্ট প্রোটোকলের প্রয়োজন, Bayesian মডেলগুলির মতো যেগুলির সিদ্ধান্ত তত্ত্বের জন্য ইউটিলিটি ফাংশন প্রয়োজন।
কার্যকরী অন্তর্দৃষ্টি: নির্মাতা এবং গবেষকদের জন্য, এটি একটি প্রস্তুত-তৈরি SDK নয়, একটি উত্তর নক্ষত্র। প্রথমত, সীমিত জটিলতা সহ ব্যবহারের ক্ষেত্রে অগ্রাধিকার দিন: সম্পূর্ণ ক্রিপ্টো-অর্থনীতি নয়, নির্দিষ্ট স্মার্ট কন্ট্রাক্ট ঝুঁকি বা DAO প্রস্তাবের ফলাফল মডেলিং দিয়ে শুরু করুন। দ্বিতীয়ত, ব্যাখ্যাযোগ্য AI (XAI) সম্প্রদায়ের সাথে সহযোগিতা করুন নিশ্চিত করতে যে নিউট্রোসফিক আউটপুটগুলি ব্যাখ্যাযোগ্য। $T$, $I$, এবং $F$-এর জন্য পৃথকভাবে প্রভাবশালী কার্যকারণ পথ দেখানো একটি ড্যাশবোর্ড অমূল্য হবে। তৃতীয়ত, তাত্ক্ষণিক গবেষণা স্প্রিন্ট হওয়া উচিত "লাইটওয়েট" N-SCM-এর উপর—প্রায়োগিক বা হিউরিস্টিক পদ্ধতি যা অন-চেইন সম্ভাবনার জন্য কিছু আনুষ্ঠানিক কঠোরতা ত্যাগ করে, সম্ভবত যাচাইযোগ্য গণনার জন্য zk-SNARKs-এ সাম্প্রতিক অগ্রগতির সুবিধা নেয়, যেমনটি Ethereum Foundation-এর মতো প্রতিষ্ঠানগুলি ইঙ্গিত দিয়েছে। চূড়ান্ত পরীক্ষা হবে এই কাঠামোটি একাডেমিক সিমুলেশন থেকে বাস্তব-বিশ্বের একটি DeFi শোষণ বা গভর্নেন্স ব্যর্থতা রোধে সরে আসতে পারে কিনা, একটি আক্রমণ ভেক্টরের অনির্ধারিততাকে স্পষ্টভাবে গণনাযোগ্য করে তোলার মাধ্যমে এটি কাজে লাগানোর আগেই।