Resumo Técnico: Campos Vetoriais Guiados por Lógica para Modelagem Generativa com Restrições

1. Declaração do Problema

Modelos generativos são cada vez mais implantados como mecanismos de proposta em robótica, planejamento e design, onde as saídas devem satisfazer restrições explícitas de domínio (por exemplo, regras de segurança, viabilidade física). No entanto, pipelines generativos padrão, particularmente modelos de tempo contínuo como Flow Matching, são amplamente "cegos a restrições". Embora esses modelos aprendam a transportar massa de probabilidade de uma distribuição base para uma distribuição alvo, eles frequentemente roteiam trajetórias através de regiões proibidas durante o processo de geração, mesmo que a distribuição alvo final esteja inteiramente dentro do conjunto válido.

Soluções alternativas existentes, como amostragem por rejeição, projeção ou orientação heurística, sofrem de limitações significativas:

• Amostragem por rejeição torna-se computacionalmente impraticável quando as regiões viáveis são pequenas.
• Projeção pode distorcer amostras e falha quando as restrições são não convexas ou desconectadas.
• Métodos de orientação padrão (por exemplo, orientação por classificador) fornecem controle suave, mas não garantem a satisfação das restrições.
• Aplicação apenas no ponto final é insuficiente porque a própria trajetória de geração pode cruzar regiões inválidas, levando a falhas raras, mas críticas, em ambientes críticos para a segurança.

O desafio central abordado é como incorporar restrições lógicas e geométricas em modelos generativos de flow matching para melhorar a validade sem sacrificar a qualidade da amostra ou a fidelidade distribucional.

2. Metodologia: Campos Vetoriais Guiados por Lógica (LGVF)

Os autores propõem Campos Vetoriais Guiados por Lógica (LGVF), um framework neuro-simbólico que integra restrições simbólicas diretamente na dinâmica generativa do flow matching. O framework assume que as restrições são especificadas como predicados lógicos $\phi(x)$ com relaxações diferenciáveis (funções de violação) $\ell_{logic}(x) \geq 0$, onde $\ell_{logic}(x) = 0$ se e somente se a restrição for satisfeita.

O LGVF opera por meio de dois mecanismos complementares:

A. Função de Perda Lógica no Tempo de Treinamento

O flow matching padrão aprende um campo vetorial $v_\theta(x, t)$ para minimizar a distância entre a velocidade aprendida e a velocidade condicional $x_1 - x_0$ ao longo de caminhos de linha reta. O LGVF amplia isso com uma função de perda lógica em nível de trajetória. Em vez de verificar a validade apenas no ponto final, o modelo penaliza violações de restrições em estados intermediários $x_t$ ao longo da trajetória do fluxo.

O objetivo total é:
$$\mathcal{L}_{LGVF}(\theta) = \mathcal{L}_{FM}(\theta) + \mathbb{E}_{t, x_0, x_1} [\lambda(t) \cdot \ell_{logic}(x_t)]$$

• $\mathcal{L}_{FM}$: Função de perda padrão de flow matching.
• $\lambda(t) = \lambda_{max} \cdot t^\alpha$: Um cronograma de ponderação dependente do tempo. Isso reflete a geometria do flow matching: em $t \approx 0$, as amostras estão próximas da distribuição base, onde violações podem ser inevitáveis; em $t \approx 1$, as amostras se aproximam do alvo, onde as restrições devem valer estritamente.
• Efeito: Isso incentiva o campo vetorial aprendido a descobrir caminhos curvos que roteiam amostras ao redor de regiões proibidas, em vez de cortá-las.

B. Ajuste Lógico no Tempo de Inferência

A orientação apenas no tempo de treinamento não pode garantir zero violações, especialmente para geometrias complexas. O LGVF introduz uma correção baseada em gradiente, leve, durante a amostragem (integração de ODE). O campo vetorial é modificado subtraindo o gradiente da restrição:
$$\tilde{v}(x_t, t) = v_\theta(x_t, t) - \eta(t) \cdot \nabla_x \ell_{logic}(x_t)$$

• Mecanismo: O termo $-\nabla_x \ell_{logic}(x_t)$ aponta para a diminuição mais íngreme da violação, empurrando a trajetória em direção a regiões válidas.
• Cronograma: A força de ajuste $\eta(t)$ é zero para tempos iniciais ($t \leq t_0$) e aumenta quadraticamente para $t > t_0$ (por exemplo, $t_0 = 0.3$). Isso garante que a correção atue como um refinamento de "última milha" sem desestabilizar a integração ou alterar significativamente a distribuição aprendida.

3. Contribuições Principais

1. Identificação de uma Lacuna: O artigo demonstra que o transporte baseado em fluxo sem restrições pode atravessar regiões proibidas, mesmo quando a distribuição alvo é inteiramente válida, destacando a insuficiência da aplicação apenas no ponto final.
2. Framework LGVF: Um método inovador que integra restrições simbólicas ao flow matching por meio de uma abordagem em duas etapas:
   • Uma função de perda lógica no tempo de treinamento que penaliza violações ao longo de trajetórias de fluxo contínuas.
   • Um ajuste de gradiente no tempo de inferência que direciona a amostragem para longe de violações de restrições.
3. Comportamento Emergente: O método produz campos vetoriais conscientes de restrições que exibem comportamento emergente de evasão de obstáculos, roteando amostras ao redor de regiões proibidas sem planejamento de caminho explícito.
4. Validação Empírica: Avaliação abrangente em restrições lineares, não lineares e multi-região, demonstrando melhorias consistentes na validade com impacto mínimo na qualidade da amostra.

4. Resultados Experimentais

Os autores avaliaram o LGVF em três estudos de caso 2D e um estudo de escalabilidade de alta dimensão:

• Estudo de Caso 1 (Meio-Plano Linear): LGVF + Ajustado reduziu as taxas de violação em 82% (de 2,2% para 0,4%) em comparação com o Flow Matching padrão.
• Estudo de Caso 2 (Anel Não Linear): LGVF + Ajustado reduziu as violações em 79% (de 5,65% para 1,20%), lidando efetivamente com restrições de fronteira interna e externa.
• Estudo de Caso 3 (Múltiplos Obstáculos): Neste cenário complexo e não convexo, a função de perda lógica no tempo de treinamento sozinha aumentou ligeiramente as violações devido ao difícil panorama de perda. No entanto, o ajuste no tempo de inferência compensou com sucesso, reduzindo as violações em 59% (de 1,7% para 0,7%).
• Estudo de Caso 4 (Escalabilidade de Alta Dimensão): Em dimensões $d \in \{10, 25, 50, 100\}$, as violações do Flow Matching padrão cresceram significativamente (até 14,8% em $d=100$). LGVF + Ajustado manteve taxas de violação próximas de zero (0,0%–0,4%) em todas as dimensões.

Compensações:

• Em configurações lineares e de anel, o LGVF melhorou tanto a validade quanto a fidelidade distribucional (medida por MMD).
• Na configuração de múltiplos obstáculos, foi observada uma compensação entre satisfação e fidelidade: embora a viabilidade tenha melhorado, o MMD aumentou ligeiramente, indicando um desvio da forma da distribuição alvo.

Estudos de Ablação:

• Pesos mais fortes no tempo de treinamento ($\lambda_{max}$) reduziram monotonicamente as violações.
• A orientação no tempo de treinamento e o ajuste no tempo de inferência são complementares: a combinação de ambos produziu os melhores resultados (0,02% de violação versus 0,50% da linha de base), superando qualquer componente isolado.

5. Significado e Alegações

O artigo afirma que o LGVF fornece um mecanismo confiável para impor restrições na modelagem generativa sem exigir planejamento de caminho explícito ou amostragem por rejeição dispendiosa. Ao acoplar o formato global do transporte (via função de perda de treinamento) com correção local (via ajuste de inferência), o framework alcança satisfação robusta de restrições em geometrias diversas.

Os autores posicionam o LGVF como um passo em direção a tornar modelos generativos viáveis para aplicações críticas para a segurança, onde a validade é não negociável. Eles reconhecem desafios remanescentes, incluindo a extensão do método para dados complexos de alta dimensão (por exemplo, imagens, moléculas), melhoria da robustez sob panoramas altamente não convexos e análise adicional da compensação entre satisfação e fidelidade. O trabalho não afirma resolver todos os problemas de geração com restrições, mas oferece uma abordagem escalável e diferenciável que supera significativamente as linhas de base padrão nos cenários testados.