🤖 machine learning

From Hybrid Mechanistic--Data-Driven Modeling Toward Neuro-Symbolic AI: What, Why, and How

Cet article jette un pont entre la modélisation hybride mécaniciste-données et l'IA neuro-symbolique en introduisant un cadre « Hybrid-to-NeSy » (H2N) qui reconstruit les conceptions existantes en une interface sémantique unifiée, permettant la dérivation de nouvelles métriques (taux de violation structurelle et dispersion de la croyance) pour quantifier explicitement l'incertitude épistémique et l'adhérence structurelle afin d'améliorer la vérification et l'extrapolation des modèles.

Auteurs originaux : Moein E. Samadi, Andreas Schuppert

Publié 2026-07-28

📖 7 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Moein E. Samadi, Andreas Schuppert

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 Détective et la Boule de Cristal

Imaginez que vous essayiez de prédire la météo. Vous avez deux manières de le faire. La première est la méthode « Vieille École » : vous connaissez les lois de la physique. Vous savez que l'air chaud monte et que les nuages se forment lorsque l'humidité se refroidit. C'est ce qu'on appelle un modèle mécaniste — il est construit sur des règles qui sont toujours vraies, comme la gravité. La seconde manière est la méthode « Nouvelle École » : vous regardez une pile géante de photos météo passées et utilisez un ordinateur super intelligent pour deviner ce qui se passe ensuite en se basant sur des motifs. C'est un modèle piloté par les données (data-driven). Il est excellent pour repérer des tendances, mais ne « comprend » pas vraiment pourquoi la pluie tombe.

Pendant longtemps, les scientifiques ont essayé de mélanger ces deux approches pour créer un modèle hybride. Voyez cela comme un détective qui connaît les lois de la physique (les règles du jeu) mais qui utilise aussi une boule de cristal (les données) pour combler les pièces manquantes. C'est incroyablement utile en ingénierie et en science, car cela nous permet de construire des systèmes qui sont à la fois intelligents et fiables. Mais voici le problème : quand on mélange un livre de règles avec une boule de cristal, il devient difficile de dire quelle partie fait le travail. Si la prédiction est fausse, est-ce parce que les règles étaient trop strictes ? Ou est-ce que la boule de cristal a simplement passé une mauvaise journée ? Nous avons besoin d'un moyen de mesurer à quel point les « règles » sont respectées et à quel point le « tâtonnement » vacille.

La Grande Idée du Papier : Traduire le Mystère

Ce papier, intitulé « From Hybrid Mechanistic–Data-Driven Modeling Toward Neuro-Symbolic AI », propose une nouvelle façon astucieuse de regarder ces modèles hybrides. Les auteurs, Moein E. Samadi et Andreas Schuppert, suggèrent d'arrêter de considérer ces modèles uniquement comme du code informatique et de commencer à les traiter comme un système Neuro-Symbolique (NeSy).

Pour comprendre cela, imaginez un tribunal.

Le Côté Logique (Le Juge) : Cela représente les règles dures de l'univers, comme les lois de la physique ou la structure d'une machine. Le Juge décide de ce qui est admissible (autorisé) et de ce qui constitue une violation.
Le Côté Croyance (Le Jury) : Cela représente la partie pilotée par les données. Le Jury examine les preuves et décide de ce qui est plausible ou probable.

Le papier soutient que chaque modèle hybride peut être traduit en cette configuration de « Tribunal ». Ils appellent cette traduction H2N (Hybrid-to-NeSy). Dans cette nouvelle perspective, les équations fixes sont les lois du Juge, et les parties informatiques apprises sont les croyances du Jury. Cette séparation est puissante car elle permet de poser deux questions très spécifiques qui étaient auparavant difficiles à répondre :

Le Jury a-t-il enfreint les règles du Juge ? (Ceci est mesuré par ce qu'on appelle le Taux de Violation Structurelle).
Le Jury est-il confus ? (Ceci est mesuré par la Dispersion de la Croyance).

Ce Qu'Ils Ont Découvert : La Confiance de la Boule de Cristal

Les auteurs ont testé cette idée sur un type spécifique de modèle hybride utilisé pour la classification binaire (en gros, trier des choses dans deux catégories, comme « spam » ou « non-spam ») où les données d'entraînement contenaient du « bruit » (des erreurs dans les étiquettes). Ils n'ont pas seulement deviné ; ils ont lancé des simulations avec 50 « graines » (points de départ) différentes pour voir comment les modèles se comportaient.

Voici ce qu'ils ont découvert :

1. Le Compteur de « Confusion » Fonctionne
Ils ont trouvé un lien étroit entre la manière dont les croyances du Jury étaient « éparpillées » et la prévisibilité de la précision du modèle. Ils ont appelé cet éparpillement la Dispersion de la Croyance (BD).

Lorsque le modèle était très sûr de lui (faible BD), sa précision était stable et élevée.
Lorsque le modèle était confus (BD élevée), sa précision devenait très variable.
Dans leurs simulations, à mesure que le bruit dans les données d'entraînement augmentait, la Dispersion de la Croyance est passée de 0 à près de 4. En même temps, l'écart-type (le « vacillement ») de la précision de test est passé de 0 à environ 0,073.
Crucialement, ce « vacillement » pouvait être prédit avant même que le modèle ne voie les données de test. Le papier suggère qu'en observant la Dispersion de la Croyance, vous pouvez savoir à quel point la précision de votre modèle sera instable, alors que les méthodes traditionnelles ne vous indiquent l'échec qu' après avoir testé le modèle.

2. Le Compteur de « Violation des Règles »
Ils ont également mesuré le Taux de Violation Structurelle (SVR), qui vérifie si le modèle ignore les règles strictes.

Dans leurs expériences, tant que le modèle restait dans un certain « budget » d'erreurs autorisées (une tolérance de κ = ⌊0.5 S⌋, où S est le nombre d'échantillons), le SVR restait proche de 0,000.
Ce n'est que lorsque le bruit est devenu extrêmement élevé (45 % de bruit d'étiquette) que le Sر a bondi à 0,428, ce qui signifie que le modèle enfreignait fréquemment les règles.
Cela montre que le modèle peut gérer beaucoup de bruit sans briser les lois de la physique, tant que la « confusion » (BD) n'est pas trop élevée.

3. Voir l'Avenir (Extrapolation)
La découverte la plus excitante concernait l'« extrapolation » — prédire des choses que le modèle n'a jamais vues auparavant.

Ils ont caché certaines parties des données au modèle pendant l'entraînement (comme cacher des lignes spécifiques dans un tableau).
Ils ont découvert que la Dispersion de la Croyance pouvait être divisée en deux parties : ce que le modèle a vu (BD_vu) et ce qu'il n'a pas vu (BD_non-vu).
La BD_non-vu pouvait être calculée immédiatement simplement en regardant quelles lignes étaient manquantes, avant même que le modèle ne tente de prédire quoi que ce soit de nouveau.
Dans leurs tests, lorsqu'ils ont caché 4 lignes, la BD_non-vu a bondi à 0,68, et la précision sur ces nouvelles données non vues s'est effondrée à 0,56. La métrique traditionnelle de la « précision de test » ne montrait cet échec qu' a posteriori, mais la métrique BD les avait prévenus à l'avance.

Pourquoi Cela Importe

Le papier ne prétend pas avoir résolu toute l'intelligence artificielle. Il offre plutôt un nouvel « objectif » ou un nouveau langage pour parler des modèles hybrides. En traduisant ces conceptions d'ingénierie complexes dans le cadre « Juge et Jury », les scientifiques peuvent enfin mesurer l'incertitude épistémique — une façon sophistiquée de dire « à quel point le modèle ignore ses propres règles ».

Les auteurs suggèrent que cette approche permet de séparer la « logique » (les règles immuables) de la « croyance » (les suppositions pilotées par les données). Cela signifie que si un modèle échoue, nous pouvons dire si c'est parce que les règles étaient trop strictes ou parce que le modèle ne fait que deviner de manière sauvage. Cela transforme une boîte noire en un système transparent où nous pouvons voir exactement où réside l'incertitude, aidant ainsi les ingénieurs à construire des systèmes d'IA plus sûrs et plus fiables pour le monde réel.

Résumé Technique : Du Modélisation Hybride Mécaniste–Pilotée par les Données vers l'IA Neuro-Symbolique

1. Énoncé du Problème

Les modèles hybrides mécanistes–pilotés par les données (également appelés modèles semi-paramétriques ou « boîte grise ») sont de plus en plus utilisés dans l'ingénierie des procédés et l'apprentissage automatique scientifique pour traiter des systèmes partiellement compris. Ces modèles intègrent des principes fondamentaux fixes (par exemple, bilans de masse, stœchiométrie) tout en apprenant des composantes inconnues (par exemple, fermetures constitutives, taux non observés) à partir de données.

Malgré leur utilité, les pratiques actuelles de modélisation hybride font face à deux limitations principales :

Absence d'interface sémantique partagée : Les conceptions sont typiquement spécifiées via des architectures et des fonctions de perte d'entraînement. Cette focalisation architecturale entrave la comparaison et la vérification trans-domaines car il n'existe pas de compte rendu sémantique unifié de ce qu'un modèle hybride représente en tant qu'objet d'inférence.
Représentation inadéquate de l'incertitude : Il n'existe souvent aucune méthode rigoureuse pour représenter ou propager l'incertitude épistémique spécifiquement au sein de la partie mécaniste du modèle. Les métriques standards comme la précision de test ne révèlent que des changements de performance a posteriori, échouant à quantifier l'incertitude lors de l'extrapolation ou des décalages de distribution structurelle avant le déploiement.

L'article postule que ces problèmes découlent d'un manque de séparation formelle entre la « logique » (contraintes structurelles) et la « croyance » (plausibilité apprise) au sein des modèles hybrides.

2. Méthodologie : Traduction Hybride-vers-NeSy (H2N)

Les auteurs proposent une procédure de traduction systématique, Hybride-vers-NeSy (H2N), qui reconstruit les modèles hybrides mécanistes–pilotés par les données en tant qu'instances d'IA Neuro-Symbolique (NeSy), adhérant spécifiquement à la définition générale de De Smet et De Raedt.

2.1 Le Cadre NeSy

Un modèle NeSy est défini par un tuple $(L, \mu, \Omega, b_\theta)$ :

$L$ : Un langage avec une sémantique $\mu$ sur un espace d'interprétation $\Omega$ .
$b_\theta$ : Une fonction de poids de croyance.
Fonctionnelle d'Inférence : Définie par $F_{\theta,x}(\phi) = \int_{\Omega'} l(\phi, \omega) b_{\theta,x}(\omega) dm(\omega)$ , combinant une fonction logique $l$ (évaluant les requêtes) avec la croyance $b_\theta$ .

2.2 Les Principes de Traduction

La procédure H2N mappe les conceptions hybrides vers le tuple NeSy selon cinq principes :

Structure Mécaniste comme Langage ( $L$ ) : Les équations de structure centrale (ex: lois de conservation) et les motifs de composition définissent le langage et ses sémantiques.
Sémantique Opérationnelle ( $\mu, l$ ) : La fonction logique $l$ implémente l'admissibilité ou le score, déterminant ce qui est structurellement valide.
Modules Appris comme Croyance ( $b_\theta$ ) : Les composantes apprises induisent une fonction de croyance sur les quantités inconnues (paramètres, fermetures, états latents). Les apprenants déterministes correspondent à des croyances de Dirac ; les apprenants stochastiques à des distributions non dégénérées.
Domaines de Validité comme Logique : Les contraintes strictes et les domaines de validité sont placés du côté de la logique (restreignant le domaine d'intégration $\Omega'$ ou via $l$ ) plutôt que du côté de la croyance. Cela garantit une admissibilité indépendante des données, car les lois physiques ne devraient pas dépendre de la taille de l'échantillon.
Factorisation Architecturale : Les motifs sériels, parallèles et de mélange d'experts (mixture-of-experts) sont reflétés par des factorisations de $l$ et/ou de $b_{\theta,x}$ .

Cette traduction produit une fonctionnelle d'inférence explicite pour tout design hybride, séparant l'admissibilité structurelle (côté logique) de la plausibilité apprise (côté croyance).

3. Contributions Clés

L'article présente quatre contributions spécifiques :

Procédure de Traduction Fondée sur des Principes : Une méthode pour mapper toute description de modèle hybride dans un tuple NeSy $(L, \mu, \Omega, b_\theta)$ avec une fonctionnelle d'inférence explicite.
Table de Correspondance : Une référence compacte (Tableau 1) mappant les motifs de conception hybride canoniques (ex: fermeture sérielle, résidu parallèle, mélange d'experts) à leurs éléments NeSy et à leur impact spécifique sur la fonctionnelle d'inférence.
Protocole d'Évaluation avec Deux Métriques : La dérivation de deux métriques basées sur la décomposition logique-croyance :
- Taux de Violation Structurelle (SVR - Structural Violation Rate) : Mesure la masse de croyance tombant sur des interprétations qui violent les contraintes structurelles. Elle réside du côté de la logique et dépend d'une tolérance.
- Dispersion de la Croyance (BD - Belief Dispersion) : Mesure la concentration de la croyance apprise (incertitude épistémique). Elle réside du côté de la croyance, est indépendante de la tolérance, et est nulle pour les croyances de Dirac.
Instanciation Empirique : Application de H2N à un modèle hybride structuré pour la classification binaire sous bruit de labels, démontrant comment les métriques quantifient l'incertitude que la précision de test seule ne peut révéler.

4. Résultats : Étude de Cas sur la Classification Binaire Bruitée

Les auteurs ont instancié H2N sur des réseaux booléens structurés où la partie mécaniste définit des groupements de caractéristiques et la partie apprise identifie les tables de vérité des modules (en utilisant la stratégie NoiseCut).

4.1 Quantification de l'Incertitude dans la Partie Mécaniste

Corrélation avec la Précision : À mesure que le bruit des labels augmentait, la précision de test diminuait tandis que la Dispersion de la Croyance (BD) augmentait. La BD et la précision de test étaient fortement anti-corrélées ( $\rho = -0,94$ ).
Variabilité Prédictive : Crucialement, l'étude a trouvé que la BD prédit la variabilité de la précision de test. Les modèles avec une BD plus élevée présentaient un écart-type de test de graine à graine (seed-to-seed) plus important.
Estimation A Priori : Puisque la BD est une fonction des comptes de labels d'entraînement et de la structure mécaniste, elle fournit une estimation a priori de l'incertitude du modèle au moment du déploiement, alors que la précision de test ne peut rapporter cela qu'après la collecte de données de test étiquetées.

4.2 Quantification de l'Incertitude lors de l'Extrapolation

Décomposition : Sous des décalages de distribution structurelle (en retenant des lignes spécifiques de la seconde couche), la BD se décompose exactement en $BD = BD_{vue} + BD_{non\_vue}$ .
Alerte Précoce : $BD_{non\_vue}$ est calculable uniquement à partir de la couverture des lignes, avant même l'observation d'un échantillon hors distribution (OOD). Dans les expériences, à mesure que le nombre de lignes retenues augmentait, $BD_{non\_vue}$ augmentait de manière monotone, tandis que la précision en distribution (in-distribution) restait élevée et la précision OOD s'effondrait.
Signification : Cela démontre que H2N peut quantifier l'état épistémique d'un modèle concernant la couverture et le risque d'extrapolation avant que l'échec ne survienne, une capacité absente des descriptions classiques d'architecture et de perte.

5. Signification et Revendications

L'article affirme que la traduction H2N fournit une interface sémantique partagée pour la modélisation hybride, permettant une comparaison et une vérification systématiques à travers différents domaines.

Découplage Logique et Croyance : En séparant strictement l'admissibilité structurelle (logique) de la plausibilité apprise (croyance), le cadre clarifie quelles hypothèses sont des contraintes strictes et lesquelles dépendent des données. Cela permet des interventions ciblées : modifier $l$ pour les changements de régime versus modifier $b_\theta$ pour l'incertitude.
Nouvelles Capacités de Diagnostic : Les métriques SVR et BD offrent des outils de diagnostic qui ne sont pas définis sous les descriptions architecturales traditionnelles. Spécifiquement, la BD sert de proxy pour l'incertitude épistémique dans la composante mécaniste, permettant la détection des décalages de distribution structurelle et des risques d'extrapolation avant le déploiement.
Bénéfice Bidirectionnel : Ce travail jette un pont entre deux domaines. Il offre aux modélisateurs hybrides une interface sémantique rigoureuse et fournit aux chercheurs en NeSy un catalogue pré-traité de conceptions d'incertitude structurée (ex: enveloppes de validité, vérifications de résidus) dérivés des pratiques d'ingénierie.

Les auteurs restent modestes quant aux limites, notant que la traduction n'est pas unique (bien que les principes P1–P5 fixent un placement canonique) et que les diagnostics pour les espaces larges ou continus reposent sur l'inférence approximative, héritant ainsi de ses erreurs de calibration.