🔢 mathematics

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

O artigo apresenta o NeSyCat, um framework categórico baseado em monadas que unifica as semânticas clássica, difusa e probabilística do sistema neurosimbólico ULLER, permitindo a adição modular de novas semânticas e traduções sistemáticas entre elas.

Autores originais: Daniel Romero Schellhorn, Till Mossakowski

Publicado 2026-04-28

📖 4 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Daniel Romero Schellhorn, Till Mossakowski

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você está tentando construir um robô que consiga tanto seguir regras lógicas rígidas (como um matemático) quanto aprender com a experiência e lidar com a incerteza (como um ser humano).

O problema é que, atualmente, a "lógica" e o "aprendizado de máquina" (IA) falam línguas completamente diferentes. É como tentar fazer um chef de cozinha francês e um mestre de sushi trabalharem juntos sem que eles entendam o que o outro quer dizer com "temperar".

Este artigo, chamado NeSyCat, propõe um "tradutor universal" e uma "gramática comum" para que esses dois mundos possam finalmente conversar de forma perfeita.

Aqui está a explicação do que eles fizeram, usando algumas analogias:

1. O Problema: O "Muro de Berlim" da Inteligência Artificial

Atualmente, temos dois tipos de sistemas:

Sistemas Simbólicos (O Matemático): Eles são perfeitos em lógica. Se você disser "Todo gato é um mamífero" e "Felix é um gato", ele sabe com 100% de certeza que "Felix é um mamífero". Mas ele é rígido; se você mostrar uma foto borrada de um gato, ele trava.
Sistemas Neurais (O Aprendiz): São as IAs como o ChatGPT ou o reconhecimento de imagem. Eles são ótimos em lidar com o "mais ou menos". Eles olham para a foto borrada e dizem: "Tem 90% de chance de ser um gato". Mas eles não seguem regras lógicas; eles apenas calculam probabilidades.

O problema é que, quando tentamos juntar os dois, as regras de um costumam "quebrar" a lógica do outro.

2. A Solução: O "Monad" (A Caixa Mágica de Contexto)

Os autores usam um conceito matemático chamado Monad (Monada). Para entender isso, imagine que cada informação que o robô recebe vem dentro de uma "Caixa de Contexto".

Se o robô está no modo "Lógica Pura", a caixa é transparente e contém apenas um valor: Sim ou Não.
Se o robô está no modo "Probabilidade", a caixa é um saco de dados que diz: "80% de chance de ser Sim e 20% de chance de ser Não".
Se o robô está no modo "Fuzzy" (Nebuloso), a caixa contém um termômetro de intensidade: "É 0,7 de verdade".

A grande sacada do NeSyCat é que a "gramática" (as regras de como combinar as informações) é a mesma para todos! O que muda é apenas o que está dentro da caixa. Isso permite que você troque o "cérebro" do robô de "Matemático" para "Probabilístico" sem precisar reescrever todas as regras do mundo.

3. A Analogia da Receita de Bolo

Imagine que você tem uma receita de bolo que diz:
[Adicione o ingrediente X] e depois [Verifique se a massa cresceu]

No sistema antigo, se o "ingrediente X" fosse uma substância misteriosa que pode ou não reagir (incerteza), a receita quebrava porque o passo de "verificar" esperava uma certeza absoluta.

Com o NeSyCat, a receita é escrita de uma forma que aceita a incerteza. Se o ingrediente X for incerto, a "caixa" da massa crescida também se torna incerta. A receita não quebra; ela apenas passa a dizer: "Há 70% de chance de a massa ter crescido". O sistema flui naturalmente, não importa o quão "nebulosa" seja a informação.

4. Por que isso é importante? (O "Pulo do Gato")

Ao usar a Teoria das Categorias (uma matemática muito avançada que estuda estruturas), os autores criaram um sistema que é:

Modular: Você pode adicionar novas formas de pensar (novas "caixas") sem destruir o que já existe.
Universal: Ele funciona tanto para coisas simples (Sim/Não) quanto para coisas complexas e infinitas (como medir a temperatura de um sensor que muda o tempo todo).
Traduzível: Ele permite que você pegue um sistema que pensa em probabilidades e o "traduza" para um sistema que pensa em lógica, sem perder o sentido.

Resumo para levar para casa:

O NeSyCat é como se tivéssemos criado um sistema operacional universal para a inteligência. Antes, cada tipo de inteligência (lógica ou aprendizado) precisava de um computador diferente. Agora, todos podem rodar no mesmo "computador", usando a mesma linguagem, permitindo que a IA seja, ao mesmo tempo, um gênio da lógica e um mestre da intuição.

Resumo Técnico: NeSyCat

1. O Problema (Contexto e Motivação)

O framework ULLER (Unified Language for LEarning and Reasoning) foi proposto para unificar sistemas neurosimbólicos através de uma sintaxe de lógica de primeira ordem (FOL) estendida. No entanto, a especificação original do ULLER apresenta limitações teóricas significativas:

Falta de Modularidade: As definições de verdade para semânticas clássica, difusa (fuzzy) e probabilística são tratadas de forma separada e redundante, em vez de serem instâncias de um único conceito abstrato.
Inconsistências Matemáticas: A semântica probabilística original tem dificuldades em lidar com distribuições contínuas (exigindo espaços mensuráveis) e confunde funções de densidade com medidas de probabilidade.
Mistura de Semântica e Computação: O processo de amostragem (sampling) e operações como argmax são misturados à definição semântica, em vez de serem tratados como processos computacionais distintos.
Tratamento de Quantificadores: A definição de quantificadores em domínios infinitos carece de rigor matemático quanto à convergência e estrutura de ordem.

2. Metodologia (A Abordagem NeSyCat)

Os autores propõem o NeSyCat (Neurosymbolic Category-theory framework), que utiliza a Teoria das Categorias e o conceito de Mônadas para resolver esses problemas. A metodologia baseia-se em três pilares:

Mônadas Computacionais: Utilizam a noção de Moggi para modelar "efeitos colaterais" computacionais. Em vez de tratar funções neurais como funções puras, elas são tratadas como computações que retornam valores dentro de um monad (ex: o monad de distribuição para probabilidade ou o monad de conjunto de potência para não-determinismo).
Álgebras de Verdade (2Mon-BLat): Introduzem uma estrutura algébrica chamada Double Monoid Bounded Lattice (2Mon-BLat). Isso permite que o espaço de valores de verdade seja parametrizado, permitindo que a mesma lógica funcione para valores binários $\{0, 1\}$ , intervalos $[0, 1]$ ou conjuntos de valores.
Semântica Tarskiana Unificada: Definem uma função de interpretação indutiva única. A semântica de uma fórmula não depende do sistema neurosimbólico específico, mas sim de um Framework NeSy, que é definido pelo par $(T, R)$ , onde $T$ é o monad e $R$ é a álgebra de verdade.

3. Principais Contribuições

Unificação Teórica: Demonstram que as semânticas clássica, difusa e probabilística são apenas instâncias diferentes de um único framework categórico.
Generalização para Domínios Infinitos: Através do uso do Monad de Giry (em categorias de espaços mensuráveis), o framework consegue lidar formalmente com distribuições de probabilidade contínuas e quantificadores sobre domínios infinitos (usando integrais em vez de somas).
Transformações NeSys: Propõem um método formal para traduzir entre diferentes sistemas (ex: transformar uma semântica probabilística em uma não-determinística via transformação argmax), permitindo lidar com ambiguidades de forma sistemática.
Extensão para LTN e STL: O framework é flexível o suficiente para incorporar Logic Tensor Networks (LTN) e Signal Temporal Logic (STL), permitindo uma análise de robustez em sistemas de tempo real.

4. Resultados e Implementação

Os autores validaram a teoria através de:

Implementações de Software: Desenvolveram bibliotecas em Python (PyTorch) e Haskell (HaskTorch). A versão em Haskell aproveita o sistema de tipos para garantir a segurança das definições algébricas, enquanto a versão em Python foca na aplicabilidade prática.
Demonstração de Casos de Uso: Mostraram que o NeSyCat pode expressar modelos complexos, como a previsão de clima do DeepSeaProbLog, mantendo a consistência matemática com as definições de probabilidade de Bayes.
Expressividade: Provaram que a notação de "do-notation" (comum em programação funcional) é suficiente para recuperar conceitos de Weighted Model Counting (WMC) e Weighted Model Integration (WMI).

5. Significância

O trabalho é altamente significativo para a área de IA Neurosimbólica porque:

Fornece um rigor matemático que faltava para a integração de redes neurais com lógica formal.
Promove a interoperabilidade: Ao criar uma linguagem comum e modular, diferentes sistemas de IA podem compartilhar bases de conhecimento de forma direta.
Prepara o caminho para a IA de Próxima Geração: Ao separar a semântica (o que a fórmula significa) da computação (como ela é avaliada/amostrada), o framework permite que pesquisadores foquem em métodos de otimização e aprendizado diferenciável sem perder a fundamentação lógica.