🔢 mathematics

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

이 논문은 ULLER 프레임워크의 서로 다른 세 가지 의미론(고전, 퍼지, 확률)을 모나드(monad) 기반의 단일한 범주론적 프레임워크로 통합함으로써, 새로운 의미론의 모듈식 추가와 체계적인 변환을 가능하게 하는 수학적 구조를 제안합니다.

원저자: Daniel Romero Schellhorn, Till Mossakowski

게시일 2026-04-28

📖 2 분 읽기🧠 심층 분석

CC BY 4.0

원저자: Daniel Romero Schellhorn, Till Mossakowski

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

1. 배경: "천재적인 예술가"와 "깐깐한 수학자"의 만남

현재 AI 세상에는 두 종류의 전문가가 살고 있습니다.

딥러닝(Neural Networks): 마치 **'천재적인 예술가'**와 같습니다. 사진을 보고 "이건 고양이 같아!"라고 직관적으로 느끼지만, 왜 그렇게 생각하는지 논리적으로 설명하지 못하고, 가끔은 아주 애매한 확률(예: 70%는 고양이, 30%는 강아지)로 대답합니다.
기호주의(Symbolic AI): 마치 **'깐깐한 수학자'**와 같습니다. "A이면 B이다"라는 명확한 규칙을 따릅니다. 매우 논리적이고 정확하지만, 예술가처럼 복잡하고 모호한 현실 세계의 데이터를 다루는 데는 서툽니다.

지금까지의 연구들은 이 둘을 억지로 붙여놓으려 했습니다. 하지만 예술가의 '느낌'과 수학자의 '규칙'은 사용하는 언어 자체가 달라서, 둘을 합칠 때마다 매번 새로운 번역기를 만들어야 하는 번거로움이 있었습니다.

2. NeSyCat의 핵심 아이디어: "마법의 번역기, 모나드(Monad)"

이 논문에서 제안하는 NeSyCat은 이 둘을 통합하기 위해 **'모나드(Monad)'**라는 수학적 도구를 가져옵니다.

여기서 모나드를 **'마법의 상자'**라고 비유해 봅시다.
예술가가 "고양이일 확률이 0.7이야"라고 말하면, 이 값은 그냥 숫자가 아니라 **'확률이라는 성질이 담긴 상자'**에 들어있습니다. 수학자는 원래 '확실한 값'만 다룰 줄 알지만, 이 '마법의 상자(모나드)'를 사용하면 상자 안에 무엇이 들어있든(확률이든, 여러 개의 후보든, 애매한 값든) 수학적 규칙을 깨뜨리지 않고 그대로 계산할 수 있게 됩니다.

3. 이 논문이 해결한 문제 (무엇이 좋아졌나?)

"따로 놀던 규칙들을 하나로!" (모듈화):
기존에는 '확률 버전 AI', '퍼지(애매함) 버전 AI'를 만들 때마다 규칙을 새로 써야 했습니다. 하지만 NeSyCat은 **'마법의 상자(모나드)'**만 갈아 끼우면 됩니다. 상자가 '확률 상자'면 확률 AI가 되고, '여러 후보 상자'면 비결정론적 AI가 되는 식이죠. 마치 게임 캐릭터의 스킬은 그대로 두고, '속성(불, 물, 전기)'만 바꾸는 것과 같습니다.
"연속적인 세상도 완벽하게!" (무한한 영역 처리):
기존 방식은 "사과가 1개, 2개..."처럼 딱딱 끊어지는 데이터에는 강했지만, 온도나 위치처럼 끊임없이 변하는 '연속적인 데이터'를 다룰 때는 수학적으로 오류가 생기곤 했습니다. NeSyCat은 **'범주론(Category Theory)'**이라는 고등 수학을 도입해, 무한하고 연속적인 세상에서도 논리가 무너지지 않도록 튼튼한 뼈대를 만들었습니다.
"번역의 표준화" (변환 가능성):
예술가의 모호한 답변을 수학자의 확실한 답변으로 바꾸고 싶을 때, 예전에는 복잡한 과정이 필요했습니다. NeSyCat은 이 변환 과정을 수학적으로 깔끔하게 정의하여, 서로 다른 방식의 AI들이 서로의 언어를 쉽게 이해할 수 있게 했습니다.

4. 요약하자면

NeSyCat은 **"직관적인 AI(예술가)"**와 **"논리적인 AI(수학자)"**가 서로 싸우지 않고, '모나드'라는 마법의 상자를 통해 하나의 공통된 언어로 대화할 수 있게 만든 **'통합 언어 체계'**입니다.

이 기술이 발전하면, AI는 단순히 "이 사진은 고양이야"라고 말하는 것을 넘어, **"이 사진은 90%의 확률로 고양이인데, 귀의 모양과 털의 질감을 보니 논리적으로 볼 때 고양이일 가능성이 매우 높아"**라고 훨씬 더 똑똑하고 설명 가능한 방식으로 대답할 수 있게 될 것입니다.

[기술 요약] NeSyCat: 모나드 기반의 신경-기호(Neurosymbolic) ULLER 프레임워크를 위한 범주론적 의미론

1. 문제 배경 및 정의 (Problem)

기존의 신경-기호 통합 시스템(Neurosymbolic AI)은 신경망의 확률적/퍼지적 출력과 논리적 기호 추론을 결합하려 하지만, 다음과 같은 구조적 한계점을 가집니다:

의미론적 중복 (Semantic Duplication): 고전 논리, 확률 논리, 퍼지 논리 등이 각각 서로 다른 귀납적 정의를 사용하여 구현되므로, 새로운 논리 체계를 추가할 때마다 규칙을 새로 정의해야 하는 비모듈성 문제가 있습니다.
연속적 확률 분포 처리 미흡: 마르코프 커널(Markov kernels)이나 가측 공간(Measurable spaces)에 대한 엄밀한 수학적 정의 없이 확률 밀도 함수와 확률 측도를 혼용하는 경우가 많습니다.
계산과 의미론의 혼재: 샘플링(Sampling)과 같은 계산적 과정이 논리적 의미론(Semantics) 정의 안에 섞여 있어, 이론적 정의와 실제 구현(알고리즘)이 명확히 분리되지 않습니다.

2. 방법론 (Methodology)

본 논문은 **모나드(Monad)**와 **범주론(Category Theory)**을 도입하여 ULLER(Unified Language for LEarning and Reasoning) 프레임워크의 의미론을 재정의하는 NeSyCat 프레임워크를 제안합니다.

모나드 기반의 계산 모델링: 신경망의 출력이 단순한 값이 아닌 '부수 효과(Side effects)'(예: 확률 분포, 비결정론적 집합)를 가진다는 점에 착안하여, Moggi의 계산 모나드 개념을 도입했습니다. 이를 통해 [x := m(T)]F와 같은 수식을 모나드의 Kleisli 확장을 통해 일관되게 처리합니다.
2Mon-BLat (Double Monoid Bounded Lattices): 진릿값(Truth value) 공간을 모델링하기 위해 결합법칙과 항등원이 보장되는 이중 모노이드 구조를 갖춘 유계 격자(Bounded Lattice)를 정의했습니다. 이는 논리 연산자( $\wedge, \vee, \rightarrow, \neg$ )의 대수적 구조를 표준화합니다.
범주론적 일반화 (Categorical Generalization): 집합론적 접근을 넘어 가측 공간(Measurable spaces)과 Giry 모나드를 사용하여, 연속적인 확률 분포와 무한한 도메인에서의 양화사(Quantifier) 문제를 수학적으로 엄밀하게 해결했습니다.
NeSy 변환 (NeSy Transformations): 서로 다른 의미론(예: 확률적 의미론 $\rightarrow$ 비결정론적 의미론) 사이의 변환을 자연 변환(Natural Transformation)의 관점에서 정의하여 시스템 간의 상호 운용성을 확보했습니다.

3. 주요 기여 (Key Contributions)

통합적 의미론 정의: 고전, 확률, 퍼지 논리를 하나의 공통된 모나드 기반 프레임워크 내에서 서로 다른 인스턴스로 취급함으로써, 논리 규칙의 중복을 제거하고 모듈성을 극대화했습니다.
무한 도메인 및 연속 확률 지원: Giry 모나드와 적분 기반의 양화사(Integral p-mean 등)를 도입하여, 기존 LTN(Logic Tensor Networks) 등이 가진 유한 도메인 제약을 극복하고 연속적인 확률 공간에서의 논리 추론을 가능하게 했습니다.
계산과 의미론의 분리: Tarskian 의미론을 통해 논리적 의미를 정의하고, 샘플링이나 컴파일은 구현 계층(Implementation layer)으로 분리하여 이론적 엄밀성을 높였습니다.
구현 가능성 입증: Python(PyTorch 기반)과 Haskell을 이용한 초기 구현체를 공개하여, 이론적 프레임워크가 실제 프로그래밍 언어에서 어떻게 타입 안전하게 구현될 수 있는지 보여주었습니다.

4. 결과 및 응용 (Results & Applications)

다양한 논리 체계의 통합: 논문은 Classical, Three-valued (LP), Distributional, Finitary LTN, Infinitary LTN, STL(Signal Temporal Logic) 등 다양한 신경-기호 논리들을 NeSyCat 프레임워크 내에서 성공적으로 모델링할 수 있음을 보였습니다.
DeepSeaProbLog 사례 연구: 기존의 확률적 신경-기호 시스템인 DeepSeaProbLog의 쿼리 과정을 NeSyCat의 모나드적 결합(Monadic binding)으로 재현함으로써, 복잡한 확률적 의존성을 일관된 문법으로 표현할 수 있음을 증명했습니다.
WMC/WMI의 포괄: 가중치 모델 카운팅(WMC) 및 통합(WMI)이 모나드의 반복적인 결합(Iterated monadic binding)의 특수한 사례임을 수학적으로 보였습니다.

5. 의의 (Significance)

NeSyCat은 신경-기호 AI 분야에서 파편화되어 있던 다양한 논리 체계들을 범주론이라는 단일한 수학적 언어로 통합했다는 점에서 매우 중요한 의의를 가집니다. 이는 단순히 새로운 논리를 제안하는 것을 넘어, **"어떤 신경-기호 시스템이든 모나드와 대수 구조만 정의하면 즉시 NeSyCat의 표준 문법과 의미론을 사용할 수 있다"**는 강력한 확장성을 제공합니다. 이는 향후 신경-기호 시스템의 표준화된 프로그래밍 모델을 구축하는 데 핵심적인 토대가 될 것입니다.