Recientemente, se han introducido una variedad de estudios de satisfacibilidad no sistemáticos sobre las Redes Neuronales de Hopfield Discretas para superar la falta de interpretación. Aunque se estableció una estructura flexible para ayudar en la generación de una amplia gama de soluciones espaciales que convergen en mínimos globales, el problema fundamental es que la lógica existente ignora completamente la distribución y características del conjunto de datos de probabilidad, así como la distribución del estado literal. Por lo tanto, este estudio considera un nuevo tipo de lógica no sistemática denominada Satisfacibilidad Aleatoria de tipo S, que emplea una capa creativa de una Red Neuronal de Hopfield Discreta, y que desempeña un papel importante en la identificación de la probabilidad de atributo prevalente de un conjunto de datos de distribución binomial. El objetivo de la fase lógica de probabilidad es establecer la estructura lógica y asignar literales negativos basados en dos parámetros estadísticos dados. Se investigó el rendimiento de la estructura lógica propuesta mediante la comparación de una métrica propuesta con las reglas lógicas actuales de vanguardia; en consecuencia, se encontró que los modelos tienen un alto valor en dos parámetros que introducen eficientemente una estructura lógica en la fase de lógica de probabilidad. Además, al implementar una Red Neuronal de Hopfield Discreta, se observó que la función de coste experimenta una reducción. Se aplicó una nueva forma de evaluación de peso sináptico mediante métodos estadísticos para investigar el efecto de los dos parámetros propuestos en la estructura lógica. En general, la investigación demostró que controlar los dos parámetros propuestos tiene un buen efecto en la gestión de peso sináptico y la generación de soluciones de mínimos globales.