1. परिचय
यह शोधपत्र प्रस्तुत करता है Neutrosophic Causal AI, एक नवीन ढांचा जो अनिश्चितता, अस्पष्टता और अपूर्ण डेटा की स्थितियों में निर्णय लेने के लिए न्यूट्रोसोफिक तर्क को संरचनात्मक कारणात्मक मॉडल के साथ एकीकृत करता है। पारंपरिक Causal AI, हालांकि कारण-प्रभाव संबंधों की पहचान में प्रभावी है, अक्सर एक ऐसी सटीकता मान लेती है जो जटिल वास्तव-विश्व प्रणालियों में नहीं पाई जाती। प्रस्तावित ढांचा सत्य (T), अनिर्धार्यता (I), और असत्य (F) के न्यूट्रोसोफिक घटकों को शामिल करके कारणात्मक अनुमान का विस्तार करता है, जिससे यह विकेंद्रीकृत Web3 वातावरणों में अनुप्रयोगों के लिए विशेष रूप से उपयुक्त हो जाता है जहां विश्वसनीयता और विश्वास सर्वोपरि हैं।
2. सैद्धांतिक आधार
2.1 न्यूट्रोसोफिक लॉजिक
न्यूट्रोसोफिक लॉजिक, जिसे फ्लोरेंटिन स्मारंदाचे द्वारा प्रस्तुत किया गया, फ़ज़ी, इंट्यूशनिस्टिक और पैराकंसिस्टेंट लॉजिक का एक सामान्यीकरण है। यह प्रस्ताव मूल्यों को एक त्रिक $(T, I, F)$ द्वारा प्रस्तुत करने की अनुमति देता है, जहाँ $T$ सत्य की डिग्री है, $I$ अनिर्धार्यता की डिग्री है, और $F$ असत्य की डिग्री है, जहाँ $T, I, F \subseteq [0, 1]$। यह औपचारिकता विरोधाभासी, अस्पष्ट और अपूर्ण जानकारी को संभालने में निपुण है।
2.2 कारणात्मक AI और संरचनात्मक कारणात्मक मॉडल
कारणात्मक AI, जुडिया पर्ल के कार्य पर आधारित, कारण-प्रभाव संबंधों को समझने के लिए सहसंबंध से आगे बढ़ती है। मुख्य उपकरण हैं Structural Causal Models (SCMs) और do-calculusएक एससीएम को एक त्रिक $(U, V, F)$ के रूप में परिभाषित किया जाता है जहां $U$ बहिर्जात चरों का एक समुच्चय है, $V$ अंतर्जात चरों का एक समुच्चय है, और $F$ अन्य चरों के आधार पर प्रत्येक $V_i$ को मान प्रदान करने वाले कार्यों का एक समुच्चय है। do-ऑपरेटर, $do(X=x)$, एक हस्तक्षेप का प्रतिनिधित्व करता है जो चर $X$ को मान $x$ पर सेट करता है, जिससे कारणात्मक प्रभावों $P(Y|do(X=x))$ की गणना की अनुमति मिलती है।
2.3 Web3 और विकेंद्रीकृत प्रणालियाँ
Web3 इंटरनेट के अगले विकास का प्रतिनिधित्व करता है, जिसकी विशेषता विकेंद्रीकरण, ब्लॉकचेन प्रौद्योगिकी, स्मार्ट कॉन्ट्रैक्ट्स और उपयोगकर्ता संप्रभुता है। ऐसे वातावरणों में निर्णय लेना—जैसे विकेंद्रीकृत स्वायत्त संगठन (DAOs) या ओरेकल नेटवर्क—जटिल है, जिसमें अक्सर अपूर्ण ऑन-चेन डेटा और अंतर्निहित अनिश्चितता वाले ऑफ-चेन घटनाएं शामिल होती हैं।
3. न्यूट्रोसोफिक कारणात्मक AI फ्रेमवर्क
मूल नवाचार न्यूट्रोसोफिक लॉजिक और पर्ल के कारणात्मक तंत्र का संश्लेषण है।
3.1 न्यूट्रोसोफिक do-ऑपरेटर का औपचारिकीकरण
पारंपरिक do-ऑपरेटर को न्यूट्रोसोफिक अनिश्चितता को संभालने के लिए विस्तारित किया जाता है। A न्यूट्रोसोफिक हस्तक्षेप को $do(X=x)$ के रूप में नहीं, बल्कि $do_N(X = \langle x_T, x_I, x_F \rangle)$ के रूप में परिभाषित किया जाता है, जहां हस्तक्षेप स्वयं निश्चितता की डिग्री रखता है। परिणाम $Y$ पर होने वाला कारणात्मक प्रभाव तब एक न्यूट्रोसोफिक मान होता है: $P_N(Y | do_N(X)) = \langle P_T, P_I, P_F \rangle$।
3.2 न्यूट्रोसोफिक संरचनात्मक कारणात्मक मॉडल (N-SCMs)
एक N-SCM मानक SCM का विस्तार करता है। प्रत्येक संरचनात्मक समीकरण $V_i := f_i(PA_i, U_i)$ को एक न्यूट्रोसोफिक मान आउटपुट करने के लिए पुनर्परिभाषित किया जाता है। उदाहरण के लिए, "बाजार भावना" का प्रतिनिधित्व करने वाले एक चर को $Sentiment := f(News, SocialMedia) = \langle T, I, F \rangle$ के रूप में परिभाषित किया जा सकता है, जहां फ़ंक्शन $f$ अस्पष्ट और विरोधाभासी इनपुट के आधार पर ट्रिपलेट की गणना करता है।
4. तकनीकी विवरण और गणितीय औपचारिकता
गणितीय मूल में न्यूट्रोसोफिक कारणात्मक ढांचे के भीतर संचालन को परिभाषित करना शामिल है।
- न्यूट्रोसोफिक वेरिएबल: $X_N = \{(x, T_X(x), I_X(x), F_X(x)) | x \in X\}$.
- न्यूट्रोसोफिक स्ट्रक्चरल इक्वेशन: $Y_N := f_N(PA_N, U_N)$, जहाँ $f_N$, $(T, I, F)$ पर मैप करता है।
- कॉज़ल इफ़ेक्ट कैलकुलेशन: $do_N(X_N)$ दिए जाने पर $Y_N$ की प्रायिकता की गणना N-SCM ग्राफ को संशोधित करके, $X_N$ को हस्तक्षेप मान पर सेट करके, और न्यूट्रोसोफिक योग एवं गुणन के लिए परिभाषित ऑपरेटर्स का उपयोग करके नेटवर्क के माध्यम से न्यूट्रोसोफिक मानों को प्रसारित करके की जाती है।
अनिर्धार्यता के तहत कारणात्मक पथों को संयोजित करने के लिए एक प्रमुख सूत्र हो सकता है: $P_N(Y|do_N(X)) = \bigoplus_{paths} \left( \bigotimes_{edges \in path} W_N^{edge} \right)$, जहाँ $\oplus$ और $\otimes$ न्यूट्रोसोफिक ऑपरेटर हैं।
5. प्रायोगिक परिणाम और सिमुलेशन विश्लेषण
पेपर सिमुलेशन-आधारित सत्यापन का उपयोग करता है। एक विकेंद्रीकृत वित्त (DeFi) ऋण प्रोटोकॉल की नकल करने वाला एक सिंथेटिक वातावरण बनाया गया था। प्रमुख चर (जैसे, संपार्श्विक गुणवत्ता, उधारकर्ता की प्रतिष्ठा, परिसंपत्ति अस्थिरता) को अंतर्निहित अनिश्चितता के साथ मॉडल किया गया था।
चार्ट 1: अनिश्चितता के तहत निर्णय सटीकता। तीन मॉडलों की तुलना करने वाला एक बार चार्ट: 1) मानक कारणात्मक AI, 2) फ़ज़ी लॉजिक-आधारित कारणात्मक मॉडल, 3) न्यूट्रोसोफिक कारणात्मक AI। X-अक्ष डेटा अस्पष्टता/विरोधाभास के बढ़ते स्तरों (कम से उच्च) का प्रतिनिधित्व करता है। Y-अक्ष निर्णय सटीकता (%) दर्शाता है। न्यूट्रोसोफिक कारणात्मक AI मॉडल मानक मॉडल (~50%) की तीव्र गिरावट और फ़ज़ी मॉडल (~70%) की मध्यम गिरावट की तुलना में काफी अधिक सटीकता (उदाहरण के लिए, उच्च अस्पष्टता पर ~85%) बनाए रखता है।
चार्ट 2: प्रतिघाती प्रश्नों की मजबूती। एक लाइन ग्राफ जो दिखाता है कि इनपुट डेटा में शोर जोड़े जाने पर "अगर ऐसा होता तो क्या होता?" प्रश्नों के उत्तरों की स्थिरता कैसे है। न्यूट्रोसोफिक कारणात्मक AI की रेखा न्यूनतम उतार-चढ़ाव दिखाती है, जबकि पारंपरिक मॉडलों की रेखाएं उच्च विचरण प्रदर्शित करती हैं, जो न्यूट्रोसोफिक ढांचे की ज्ञानात्मक मजबूती को प्रदर्शित करती हैं।
परिणाम प्रदर्शित करते हैं कि N-SCMs उच्च-अस्पष्टता परिदृश्यों में अधिक सूक्ष्म और विश्वसनीय कारणात्मक अनुमान प्रदान करते हैं, विशेष रूप से एक DAO में प्रस्तावित शासन परिवर्तनों के प्रभाव का मूल्यांकन करने या स्मार्ट कॉन्ट्रैक्ट जोखिम का आकलन करने में।
6. विश्लेषण ढांचा: केस स्टडी उदाहरण
परिदृश्य: एक विकेंद्रीकृत स्वायत्त संगठन (DAO) राजकोष निवेश प्रस्ताव पर मतदान कर रहा है। डेटा विरोधाभासी है: फोरम पोस्टों के कुछ भावना विश्लेषण सकारात्मक हैं ($T=0.7, I=0.2, F=0.1$), जबकि समान प्रस्तावों पर ऐतिहासिक डेटा उच्च विफलता दर दर्शाता है ($T=0.2, I=0.3, F=0.8$)। एक बाहरी बाजार घटना और अधिक अनिश्चितता जोड़ती है ($I=0.5$)।
N-SCM अनुप्रयोग:
- चर परिभाषित करें: $ProposalQuality_N$, $CommunitySentiment_N$, $MarketCondition_N$, $SuccessProbability_N$।
- संबंध परिभाषित करें: $SuccessProbability_N := f(ProposalQuality_N, CommunitySentiment_N, MarketCondition_N)$।
- इनपुट न्यूट्रोसोफिक साक्ष्य: प्रत्येक पैरेंट वेरिएबल के लिए देखे गए $(T, I, F)$ मान इंजेक्ट करें।
- हस्तक्षेप विश्लेषण चलाएं: $P_N(Success | do_N(IncreaseMarketingBudget = \langle 0.6, 0.3, 0.1 \rangle))$ क्वेरी करें। फ्रेमवर्क $\langle 0.65, 0.25, 0.15 \rangle$ जैसा परिणाम आउटपुट करता है, जिसका अर्थ है सफलता की ओर 65% प्रवृत्ति, 25% अनिर्धार्यता के साथ, जो निर्णय लेने के लिए एक पारदर्शी और सूक्ष्म आधार प्रदान करता है।
7. Web3 वातावरण में अनुप्रयोग
- स्मार्ट कॉन्ट्रैक्ट जोखिम मूल्यांकन: ओरेकल फीड विश्वसनीयता, कोड जटिलता और आर्थिक प्रोत्साहनों का अनजाने कमजोरियों (अनिर्धार्यता) को ध्यान में रखते हुए, कॉन्ट्रैक्ट विफलता पर कारणात्मक प्रभाव का मूल्यांकन।
- DAO Governance: अस्पष्ट सदस्य इरादों के बीच, समुदाय की भागीदारी और ट्रेजरी स्वास्थ्य पर विभिन्न मतदान तंत्रों या प्रस्ताव संरचनाओं के कारणात्मक प्रभावों का मॉडलिंग।
- Decentralized Identity & Reputation: प्रतिष्ठा स्कोर के लिए कारणात्मक मॉडल बनाना जो परस्पर विरोधी ऑन-चेन और ऑफ-चेन व्यवहार डेटा को शामिल करते हैं।
- DeFi Protocol Design: अनिश्चित बाजार परिस्थितियों में व्यवस्थित जोखिम को रोकने के लिए पैरामीटर परिवर्तनों (जैसे, ब्याज दरें, संपार्श्विक अनुपात) के कारणात्मक प्रभाव का सिमुलेशन।
8. भविष्य की दिशाएँ और शोध संभावनाएँ
- Integration with Large Language Models (LLMs): एलएलएम आउटपुट को कारणात्मक तर्क में आधारित करने और एलएलएम-जनित सामग्री या विश्लेषण में अनिश्चितता को स्पष्ट रूप से मॉडल करने के लिए एन-एससीएम का उपयोग करना।
- डेटा से एन-एससीएम सीखना: ऐसे मशीन लर्निंग एल्गोरिदम विकसित करना जो विरोधाभासों से भरे अवलोकनात्मक डेटा से एन-एससीएम की संरचना और पैरामीटर खोज सकें।
- मापनीयता और ऑन-चेन कार्यान्वयन: ब्लॉकचेन वातावरण में रीयल-टाइम उपयोग के लिए न्यूट्रोसोफिक कारणात्मक प्रश्नों की कुशल, सत्यापन योग्य गणना पर शोध, संभावित रूप से ज़ीरो-नॉलेज प्रूफ़ का उपयोग करते हुए।
- अंतर-अनुशासनिक अनुप्रयोग: इस ढांचे को जलवायु जोखिम मॉडलिंग, स्वास्थ्य देखभाल निदान और आपूर्ति श्रृंखला प्रबंधन तक विस्तारित करना—ऐसे सभी क्षेत्र जहां डेटा अक्सर अधूरा होता है और कारणात्मक तंत्र जटिल होते हैं।
9. References
- स्मारंडाचे, एफ. (1998). न्यूट्रोसोफी: न्यूट्रोसोफिक प्रोबेबिलिटी, सेट, और लॉजिक. अमेरिकन रिसर्च प्रेस.
- पर्ल, जे. (2009). कॉज़ालिटी: मॉडल्स, रीज़निंग, और इन्फरेंस (दूसरा संस्करण). कैम्ब्रिज यूनिवर्सिटी प्रेस.
- ब्यूटेरिन, वी. (2014). ए नेक्स्ट-जनरेशन स्मार्ट कॉन्ट्रैक्ट और डिसेंट्रलाइज्ड एप्लिकेशन प्लेटफॉर्म. Ethereum White Paper.
- Schölkopf, B., et al. (2021). कारणात्मक प्रतिनिधित्व सीखने की ओर. Proceedings of the IEEE.
- Peters, J., Janzing, D., & Schölkopf, B. (2017). कारणात्मक अनुमान के तत्व: नींव और सीखने के एल्गोरिदम. MIT Press.
- Zhu, J., et al. (2017). साइकल-संगत प्रतिकूल नेटवर्क का उपयोग करके अयुग्मित छवि-से-छवि अनुवाद. Proceedings of the IEEE International Conference on Computer Vision (ICCV). (CycleGAN अयुग्मित/अस्पष्ट डेटा डोमेन को संभालने के एक उदाहरण के रूप में).
- एमआईटी टेक्नोलॉजी रिव्यू। (2023)। वेब3 क्या है? एमआईटी टेक रिव्यू वेबसाइट से प्राप्त किया गया।
- 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
मुख्य अंतर्दृष्टि: यह शोधपत्र केवल AI में एक और मामूली सुधार नहीं है; यह Web3 की अव्यवस्थित, प्रतिकूल और अपूर्ण वास्तविकता के लिए कारणात्मक तर्क को मजबूत करने का एक आधारभूत प्रयास है। लेखक सही रूप से पहचानते हैं कि Pearl के do-calculus की भंगुर सटीकता उन प्रणालियों पर लागू होने पर टूट जाती है जहाँ डेटा न केवल अशुद्ध बल्कि मूल रूप से विरोधाभासी है—ठीक वही स्थिति अधिकांश ऑन-चेन/ऑफ-चेन सूचना प्रवाह की है। अनिर्धार्यता $(I)$ को कारणात्मक मॉडल में प्रथम श्रेणी के नागरिक के रूप में एम्बेड करने की उनकी चाल मुख्य वैचारिक छलांग है।
तार्किक प्रवाह: तर्क प्रभावशाली है: 1) Web3 को विश्वास और मजबूती के लिए कारणात्मक तर्क की आवश्यकता है (सत्य), 2) पारंपरिक कारणात्मक मॉडल Web3 की निहित अनिश्चितता के तहत विफल हो जाते हैं (सत्य, जैसा कि ओरेकल हेरफेर और शासन हमलों में देखा गया है), 3) न्यूट्रोसॉफी इस अनिश्चितता को औपचारिक रूप देती है, 4) इसलिए, एक संश्लेषण आवश्यक है। तर्क श्रृंखला ठोस है, हालाँकि यह शोधपत्र एक क्षेत्र-परीक्षित उपकरण की बजाय एक प्रूफ-ऑफ-कॉन्सेप्ट खाका अधिक है। यह कंप्यूटर विजन में युग्मित छवि अनुवाद (सटीक अनुरूपता की आवश्यकता) से CycleGAN जैसे मॉडलों के विकास के समानांतर है जो अयुग्मित, अस्पष्ट डेटा डोमेन को संभालते हैं—नियतात्मक से संभाव्य/अस्पष्ट मानचित्रण की ओर एक बदलाव।
Strengths & Flaws: इसकी प्रमुख शक्ति है इसकी समयबद्धता और महत्वाकांक्षा। यह "विकेंद्रीकृत बुद्धिमत्ता" की अकिलीज़ एड़ी को लक्षित करता है। एक न्यूट्रोसोफिक डू-ऑपरेटर का औपचारिकीकरण एक वास्तविक सैद्धांतिक योगदान है। हालाँकि, दोष व्यावहारिक हैंबड़े कारणात्मक ग्राफ़ के माध्यम से $(T, I, F)$ ट्रिपल को प्रसारित करने की कम्प्यूटेशनल जटिलता निषेधात्मक हो सकती है। पेपर के सिमुलेशन सरल हैं; वास्तविक दुनिया के Web3 सिस्टम में उच्च-आयामी, गैर-स्थिर डेटा शामिल होता है। "अनिश्चितता के ब्लैक बॉक्स" बनाने का जोखिम भी है—यदि प्रत्येक आउटपुट एक अस्पष्ट ट्रिपल है, तो क्या यह वास्तव में निर्णय लेने में सहायता करता है या केवल भ्रम को मात्रात्मक बनाता है? इस फ्रेमवर्क को अपने आउटपुट पर कार्य करने के लिए स्पष्ट प्रोटोकॉल की आवश्यकता है, ठीक उसी तरह जैसे बायेसियन मॉडल को निर्णय सिद्धांत के लिए उपयोगिता फ़ंक्शन की आवश्यकता होती है।
क्रियान्वयन योग्य अंतर्दृष्टि: निर्माताओं और शोधकर्ताओं के लिए, यह एक मार्गदर्शक सिद्धांत है, कोई तैयार-निर्मित SDK नहीं। सबसे पहले, सीमित जटिलता वाले उपयोग के मामलों को प्राथमिकता दें: पूरी क्रिप्टो-अर्थव्यवस्था को नहीं, बल्कि विशिष्ट स्मार्ट कॉन्ट्रैक्ट जोखिमों या DAO प्रस्ताव परिणामों को मॉडल करने से शुरुआत करें। दूसरा, एक्सप्लेनबल AI (XAI) समुदाय के साथ सहयोग करें यह सुनिश्चित करने के लिए कि न्यूट्रोसोफिक आउटपुट व्याख्यात्मक हों। $T$, $I$, और $F$ के लिए प्रमुख कारणात्मक पथों को अलग-अलग दर्शाने वाला एक डैशबोर्ड अमूल्य होगा। तीसरा, तत्काल शोध स्प्रिंट "लाइटवेट" N-SCMs पर होना चाहिए—ऐसे सन्निकटन या अनुमानित विधियाँ जो श्रृंखला पर व्यवहार्यता के लिए कुछ औपचारिक कठोरता का त्याग करती हैं, संभवतः सत्यापन योग्य गणना के लिए zk-SNARKs में हाल की प्रगति का लाभ उठाते हुए, जैसा कि Ethereum Foundation जैसी संस्थाओं द्वारा संकेत दिया गया है। अंतिम परीक्षा यह होगी कि क्या यह ढांचा शैक्षणिक सिमुलेशन से आगे बढ़कर किसी हमले वेक्टर की अनिश्चितता को उसके दोहन से पहले स्पष्ट रूप से गणनीय बनाकर, एक वास्तविक दुनिया के DeFi शोषण या शासन विफलता को रोक सकता है।