Multi-paradigm Logic Programming in the ${\cal E}$rgoAI System

Título: Programação Lógica Multi-paradigma no Sistema ErgoAI

1. Problema e Contexto

O campo da Representação e Raciocínio de Conhecimento (KRR) enfrenta desafios significativos ao lidar com ambientes dinâmicos, conhecimento híbrido (estruturado e não estruturado) e a necessidade de escalabilidade. Sistemas tradicionais como ASP (Answer Set Programming) e provadores de Lógica Descritiva frequentemente exigem "grounding" (instanciação completa), o que se torna ineficiente para grandes grafos e dados não finitos. Além disso, a integração de conhecimento derivado de fontes externas (como embeddings vetoriais de IA) e a necessidade de raciocínio não monótono (defeasible reasoning) em sistemas lógicos robustos são lacunas que muitos sistemas existentes não preenchem de forma coesa.

O ErgoAI surge como uma evolução e substituto do sistema Flora-2, projetado para ser uma linguagem e sistema de programação lógica de alto nível, multi-paradigma, focado em escalabilidade e raciocínio sobre conhecimento híbrido em ambientes dinâmicos.

2. Metodologia e Arquitetura

O ErgoAI é construído sobre uma base sólida de semântica e implementação, combinando várias tecnologias:

• Semântica Fundada (Well-Founded Semantics - WFS): Diferente de sistemas baseados em Modelos Estáveis (como ASP), o ErgoAI utiliza a WFS, que possui complexidade de dados polinomial de baixo grau. Isso permite a avaliação de programas sem a necessidade de grounding, suportando termos lógicos não instanciados (não-ground) e negação não-ground de forma segura.
• Resolução SLGR(A): O sistema utiliza uma extensão da resolução SLG (Tabling) chamada SLGR(A).
  • SLG: Suporta a WFS e detecção de loops.
  • R (Reactive): Tabulação reativa que atualiza inferências automaticamente quando os dados mudam.
  • A (Abstraction): Abstração de subobjetivos e respostas para garantir a terminação em programas com modelos infinitos (racionalidade limitada).
• Multi-paradigma e Sintaxe:
  • F-logic (Frame Logic): Suporte nativo a objetos, tipos, herança (monotônica e defeasível) e hierarquias de classes.
  • HiLog: Sintaxe de ordem superior onde o functor de um termo ou predicado pode ser qualquer termo (não apenas atômico), permitindo metaprogramação flexível.
  • Integração com Python e C: O sistema usa a interface Janus para integrar-se estreitamente com Python (para acessar embeddings vetoriais e bibliotecas de ML) e C, tratando módulos externos como módulos lógicos nativos.
• Sistema de Módulos Dinâmico: Permite a criação de módulos em tempo de execução, carregamento dinâmico de regras e dados, e encapsulamento de namespaces através de uma técnica de "salting" (mangling) de predicados wrapper para evitar colisões de nomes.
• Lógica de Transação: Suporte para atualizações transacionais (inserção, exclusão, habilitação/desabilitação de regras) com restrições de integridade, garantindo que as atualizações sejam semanticamente significativas e consistentes.

3. Principais Contribuições Técnicas

1. Raciocínio Defeasível e Teorias de Argumentação: O ErgoAI implementa a Generalized Courteous Logic Programming (GCLP) como teoria padrão. Permite que regras sejam marcadas como defeasíveis, com controle de precedência (\overrides), oposição (\opposes) e cancelamento (\cancel). Isso permite lidar com conflitos de conhecimento de forma declarativa.
2. Avaliação Segura de Objetivos Não-Seguros (Unsafe Goals): O sistema utiliza atraso de instanciação (instantiation delay) para lidar com negação não instanciada. Se uma variável não estiver instanciada, a avaliação é adiada até que ela se torne "ground". Se a instanciação for impossível, o sistema pode atribuir o valor de verdade u (indefinido/ignorado) ou usar predicados como not_exists para garantir a terminação.
3. Terminação e Racionalidade Limitada: Introduz o conceito de Tripwires (sensores) para garantir a terminação de qualquer programa:
   • Abstração de Subobjetivos: Limita o tamanho dos termos para evitar loops infinitos em cadeias não fundadas.
   • Restrição de Respostas (Answer Abstraction): Para modelos infinitos, o sistema retorna respostas aproximadas com valor de verdade u após um certo limite de profundidade, garantindo que a resposta seja "informacionalmente sólida" (sound), mesmo que não completa.
4. Integração de Conhecimento Híbrido: Demonstra como integrar conhecimento estruturado (regras lógicas) com conhecimento não estruturado ou derivado de IA (embeddings vetoriais de modelos de linguagem) dentro do mesmo motor de inferência.
5. Compilação e Performance: O código ErgoAI é compilado para Prolog (XSB) com extensões de pré-processador (GPP) para gerenciar a sintaxe HiLog/F-logic e a salting de módulos, mantendo a performance próxima à do Prolog tabulado.

4. Resultados e Desempenho

O artigo apresenta benchmarks comparando o ErgoAI com o XSB (Prolog tabulado) e outros sistemas:

• Escalabilidade em Grafos: Em testes de alcançabilidade em Redes de Petri (até 8 milhões de estados), o ErgoAI mostrou escalabilidade quase linear, embora com um overhead de tempo e memória de 4 a 6 vezes em comparação ao XSB puro (devido à estrutura de dados para explicações e herança).
• Resolução Tabulada: Em fechamentos transitivos recursivos, o ErgoAI opera com uma velocidade de 3 a 4 vezes menor que o XSB puro, mas ainda mantém escalabilidade linear até centenas de milhões de arestas.
• Programação Geral (Não-tabulada): Para tarefas de programação estrutural (como criar listas ou iteração), o ErgoAI com regras "quasi-Prolog" escala bem, embora a criação de estruturas de explicação no heap possa causar não-linearidade se a coleta de lixo não for otimizada.
• Carregamento de Dados: O sistema consegue carregar grandes bases de conhecimento (ex: 11 milhões de triplas) a taxas de até 137.000 fatos/segundo (via Prolog) ou 59.000 fatos/segundo (via HiLog), demonstrando capacidade de lidar com Big Data.

5. Significado e Impacto

O ErgoAI representa um avanço significativo na programação lógica ao demonstrar que é possível construir um sistema KRR escalável e robusto que não sacrifica a expressividade pela performance.

• Aplicações Práticas: O sistema já é utilizado em setores críticos como garantia de software, conformidade financeira, contabilidade tributária e raciocínio jurídico.
• Projetos de IA: É a linguagem alvo no projeto DARPA CODORD para geração de lógica executável a partir de texto em inglês natural, demonstrando sua capacidade de atuar como uma ponte entre processamento de linguagem natural (LLMs) e raciocínio lógico formal.
• Inovação Acadêmica: O sistema serve como um banco de testes para novas características de lógica (como raciocínio fuzzy e probabilístico futuro) e propõe extensões que poderiam ser adotadas por outros sistemas Prolog (como SWI-Prolog), especialmente em áreas de indexação e lógica de transação.

Em resumo, o ErgoAI preenche a lacuna entre a expressividade de linguagens de alto nível (com herança e metaprogramação) e a eficiência de motores de inferência tabulados, oferecendo uma solução viável para problemas complexos de KRR em ambientes dinâmicos e de grande escala.