🔢 mathematics

NeSyCat: A Monad-Based Categorical Semantics of the Neurosymbolic ULLER Framework

Ce papier présente NeSyCat, un cadre catégorique fondé sur les monades qui unifie les sémantiques classique, floue et probabiliste du langage neurosymbolique ULLER, permettant ainsi une extension modulaire de nouvelles sémantiques et des traductions systématiques entre elles.

Auteurs originaux : Daniel Romero Schellhorn, Till Mossakowski

Publié 2026-04-28

📖 3 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Daniel Romero Schellhorn, Till Mossakowski

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Le Problème : La "Tour de Babel" de l'Intelligence Artificielle

Imaginez que vous essayez de construire une ville géante. D'un côté, vous avez des ouvriers spécialisés dans la logique pure (les "Symboliques") : ils sont ultra-précis, suivent des règles strictes comme "Si le feu est rouge, alors on s'arrête", mais ils sont très rigides. De l'autre, vous avez des artistes intuitifs (le "Deep Learning" ou "Neural") : ils sont incroyables pour reconnaître un visage ou un chat dans une image, mais ils ne savent pas expliquer pourquoi ils ont pris telle décision. Ils fonctionnent à l'instinct, avec des probabilités floues.

Le problème actuel, c'est que ces deux mondes ne parlent pas la même langue. Pour faire travailler un "cerveau logique" avec un "cerveau intuitif", les chercheurs doivent construire des ponts différents pour chaque projet. C'est comme si, pour chaque nouvelle voiture, on devait inventer un nouveau type de vis ou de carburant. C'est inefficace, répétitif et très compliqué.

La Solution : NeSyCat, le "Traducteur Universel"

Les auteurs de ce papier ont créé NeSyCat. Au lieu de construire des ponts sur mesure, ils ont inventé un système de traduction universel basé sur un concept mathématique très puissant appelé les Monades.

L'analogie de la "Boîte Magique" (La Monade)

Pour comprendre ce qu'est une "Monade" sans les équations, imaginez une boîte magique.

D'habitude, en informatique, si vous demandez "Quelle est la couleur de ce ciel ?", on vous répond "Bleu". C'est une valeur directe.
Mais dans le monde de l'IA, la réponse est souvent plus complexe. Si vous demandez à une IA "Est-ce un chat ?", elle ne répond pas "Oui" ou "Non". Elle vous répond : "Je suis à 85% sûre que c'est un chat, mais j'ai un petit doute, c'est peut-être un chien".

La Monade, c'est la boîte qui permet de transporter cette réponse "enveloppée" dans son incertitude.

Si vous êtes un logicien strict, la boîte contient juste "Vrai" ou "Faux".
Si vous êtes un probabiliste, la boîte contient une liste de probabilités.
Si vous êtes un artiste (logique floue), la boîte contient des nuances de gris.

L'astuce de NeSyCat, c'est que le langage de base (la logique) reste le même, peu importe ce qu'il y a dans la boîte. On peut changer le contenu de la boîte (passer du "vrai/faux" au "probabiliste") sans avoir à réécrire toutes les règles de la ville.

Pourquoi est-ce une révolution ?

La Modularité (Le jeu de LEGO) : Grâce à NeSyCat, si un chercheur invente une nouvelle façon de calculer l'incertitude, il n'a pas besoin de tout reconstruire. Il lui suffit de créer une nouvelle "boîte" (une nouvelle monade) et elle s'emboîtera parfaitement avec tout le reste du système.
La Traduction (Le dictionnaire) : Le papier montre comment on peut passer d'un système à un autre. Par exemple, on peut transformer un calcul de probabilités complexe en une décision "non-déterministe" (une liste de choix possibles) de manière mathématiquement propre.
L'Infini (Le zoom mathématique) : Le système est assez puissant pour gérer des choses infinies (comme le temps qui défile ou des mesures continues), ce qui est souvent le point faible des systèmes d'IA actuels.

En résumé

NeSyCat, c'est comme si on avait enfin trouvé la "Grammaire Universelle" de l'intelligence. Que l'IA soit un mathématicien rigide ou un artiste intuitif, elle utilise désormais la même structure pour raisonner. Cela permet de créer des machines qui sont à la fois aussi intelligentes que nos réseaux de neurones (capables de voir et de ressentir) et aussi logiques que nos règles mathématiques (capables d'expliquer et de prouver).

Résumé Technique : NeSyCat

1. Problématique (Le Problème)

L'intégration neurosymbolique vise à combiner la puissance d'apprentissage des réseaux de neurones avec la rigueur de la logique formelle. Le framework ULLER (Unified Language for LEarning and Reasoning) a été introduit pour fournir une syntaxe de logique du premier ordre (FOL) unifiée capable d'intégrer des modèles neuronaux. Cependant, la spécification originale d'ULLER présente plusieurs lacunes théoriques :

Manque de modularité : Les définitions de la vérité pour les logiques classique, floue et probabiliste sont redondantes et non unifiées.
Incohérence sémantique : La distinction entre les distributions de probabilité et les fonctions de densité est floue, et le traitement des domaines continus (nécessitant des espaces mesurables) est incomplet.
Confusion entre calcul et sémantique : Des processus computationnels (comme l'échantillonnage ou l'opération arg max) sont mélangés à la définition sémantique de la vérité.
Manque d'uniformité des connecteurs : Les connecteurs logiques ne sont pas traités comme des instances d'une structure algébrique commune.

2. Méthodologie (L'Approche)

Les auteurs proposent NeSyCat, un cadre sémantique basé sur la théorie des catégories et la notion de monade de Moggi (utilisée en programmation fonctionnelle pour modéliser les effets de bord).

L'approche repose sur trois piliers :

Les Monades de Calcul : Au lieu de traiter les sorties neuronales comme des valeurs simples, elles sont modélisées comme des "calculs" via une monade $T$ . Cela permet d'abstraire la nature de l'effet (non-déterminisme via la monade des ensembles, probabilité via la monade de Giry, etc.).
L'Algèbre de la Vérité (2Mon-BLat) : L'espace des valeurs de vérité est défini par une structure algébrique appelée Double Monoid Bounded Lattice. Cela permet d'unifier les connecteurs logiques ( $\wedge, \vee, \to, \neg$ ) et les quantificateurs ( $\forall, \exists$ ) sous une même définition inductive, indépendamment du type de logique utilisé.
Sémantique de Tarski Généralisée : Ils redéfinissent la sémantique de manière à ce que la définition de la vérité soit universelle, tandis que le système neurosymbolique (la monade et l'algèbre) devient un paramètre de cette définition.

3. Contributions Clés

Unification Sémantique : Démonstration que les logiques classique, floue et probabiliste sont des instances d'un même cadre catégorique.
Extension aux Domaines Infinis et Continus : En utilisant la monade de Giry sur la catégorie des espaces mesurables ( $\text{Meas}$ ), le framework traite rigoureusement les probabilités continues et les quantificateurs sur des domaines infinis (via des intégrales).
Transformations NeSy : Introduction de transformations permettant de passer d'un système à un autre (par exemple, transformer une sémantique probabiliste en une sémantique non-déterministe via une transformation argmax).
Formalisation des Quantificateurs : Généralisation des quantificateurs par des fonctions d'agrégation paramétrées (ex: les $p$ -normes pour les réseaux de tenseurs logiques - LTN).
Implémentation : Publication de versions initiales en Python (PyTorch) et Haskell, permettant une exécution modulaire et typée.

4. Résultats et Applications

L'article démontre la robustesse de NeSyCat à travers plusieurs exemples :

Classification MNIST : Modélisation de la somme de chiffres classifiés par des réseaux de neurones.
Logique de Paradoxe (LP) : Application de la sémantique à une logique à trois valeurs.
Logic Tensor Networks (LTN) : Extension des LTN aux domaines infinis en remplaçant les sommes finies par des intégrales de puissance ( $p$ -means).
DeepSeaProbLog : Récupération de la sémantique de la prédiction météorologique probabiliste, prouvant que NeSyCat est un sur-ensemble des méthodes existantes.
Robustesse STL : Capacité à modéliser la logique temporelle des signaux (STL) comme une approximation algébrique.

5. Signification et Impact

La portée de ce travail est double :

Théorique : Il comble le fossé entre la logique catégorique et l'intelligence artificielle neurosymbolique. Il offre un cadre mathématique rigoureux qui évite les approximations informelles souvent rencontrées dans la littérature actuelle.
Pratique : Il fournit une architecture logicielle modulaire. Un chercheur peut désormais ajouter une nouvelle logique (ex: une nouvelle logique floue ou un nouveau type de probabilité) simplement en définissant une nouvelle monade et une nouvelle algèbre, sans avoir à réécrire toute la sémantique de base du langage.

En résumé, NeSyCat transforme ULLER d'un ensemble de règles ad-hoc en un système mathématique cohérent, capable de gérer la complexité des probabilités continues et de l'infinité des domaines, tout en restant programmable.