🤖 machine learning

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

Este artigo faz a ponte entre a modelagem híbrida mecanística-orientada a dados e a IA neuro-simbólica ao introduzir um framework "Hybrid-to-NeSy" (H2N) que reconstrói designs existentes em uma interface semântica unificada, permitindo a derivação de novas métricas (taxa de violação estrutural e dispersão de crença) para quantificar explicitamente a incerteza epistêmica e a aderência estrutural para uma melhor verificação e extrapolação de modelos.

Autores originais: Moein E. Samadi, Andreas Schuppert

Publicado 2026-07-28

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Moein E. Samadi, Andreas Schuppert

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

O Detetive e a Bola de Cristal

Imagine que você está tentando prever o tempo. Você tem duas maneiras de fazer isso. A primeira é o modo "Antigo": você conhece as leis da física. Você sabe que o ar quente sobe e que as nuvens se formam quando a umidade esfria. Isso é como um modelo mecanicista — é construído sobre regras que são sempre verdadeiras, como a gravidade. O segundo modo é o "Novo": você olha para uma pilha gigante de fotos de clima passado e usa um computador super inteligente para adivinhar o que acontece a seguir com base em padrões. Este é um modelo orientado por dados. Ele é ótimo para detectar tendências, mas não "entende" realmente por que a chuva cai.

Por muito tempo, cientistas tentaram misturar essas duas abordagens em um modelo híbrido. Pense nisso como um detetive que conhece as leis da física (as regras do jogo), mas também usa uma bola de cristal (os dados) para preencher as peças que faltam. Isso é incrivelmente útil na engenharia e na ciência porque nos permite construir sistemas que são ao mesmo tempo inteligentes e confiáveis. Mas aqui está o problema: quando você mistura um livro de regras com uma bola de cristal, fica difícil dizer qual parte está realizando o trabalho. Se a previsão der errado, foi porque as regras foram muito rígidas? Ou a bola de cristal apenas teve um dia ruim? Precisamos de uma maneira de medir o quanto as "regras" estão sendo respeitadas e o quanto o "palpite" está oscilando.

A Grande Ideia do Artigo: Traduzindo o Mistério

Este artigo, intitulado "De Modelagem Híbrida Mecanística–Orientada por Dados em direção à IA Neuro-Simbólica", propõe uma nova maneira inteligente de olhar para esses modelos híbridos. Os autores, Moein E. Samadi e Andreas Schuppert, sugerem que paremos de olhar para esses modelos apenas como código de computador e passemos a tratá-los como um sistema Neuro-Simbólico (NeSy).

Para entender isso, imagine um tribunal.

O Lado da Lógica (O Juiz): Representa as leis duras do universo, como as leis da física ou a estrutura de uma máquina. O Juiz decide o que é admissível (permitido) e o que é uma violação.
O Lado da Crença (O Júri): Representa a parte orientada por dados. O Júri olha para as evidências e decide o que é plausível ou provável de acontecer.

O artigo argumenta que todo modelo híbrido pode ser traduzido para esta configuração de "Tribunal". Eles chamam essa tradução de H2N (Híbrido-para-NeSy). Nesta nova visão, as equações fixas são as leis do Juiz, e as partes aprendidas pelo computador são as crenças do Júri. Essa separação é poderosa porque nos permite fazer duas perguntas muito específicas que eram difíceis de responder anteriormente:

O Júri quebrou as regras do Juiz? (Isso é medido por algo chamado Taxa de Violação Estrutural).
O Júri está confuso? (Isso é medido pela Dispersão da Crença).

O Que Eles Descobriram: A Confiança da Bola de Cristal

Os autores testaram essa ideia em um tipo específico de modelo híbrido usado para classificação binária (basicamente, separar coisas em dois baldes, como "spam" ou "não spam") onde os dados de treinamento tinham algum "ruído" (erros nos rótulos). Eles não apenas adivinharam; eles realizaram simulações com 50 "sementes" (pontos de partida) diferentes para ver como os modelos se comportavam.

Aqui está o que descobriram:

1. O Medidor de "Confusão" Funciona
Eles encontraram uma forte ligação entre o quão "espalradas" estavam as crenças do Júri e o quão imprevisível seria a precisão do modelo. Eles chamaram esse espalhamento de Dispersão da Crença (BD).

Quando o modelo estava muito seguro (baixa BD), sua precisão era estável e alta.
Quando o modelo estava confuso (alta BD), sua precisão tornava-se errática.
Em suas simulações, conforme o ruído nos dados de treinamento aumentava, a Dispersão da Crença subia de 0 para quase 4. Ao mesmo tempo, o desvio padrão (a "oscilação") da precisão do teste aumentou de 0 para cerca de 0,073.
Crucialmente, essa "oscilação" podia ser prevista antes mesmo de o modelo ver os dados de teste. O artigo sugere que, ao observar a Dispersão da Crença, você pode saber o quão instável será a precisão do seu modelo, enquanto os métodos tradicionais só informam que o modelo falhou depois que você já o testou.

2. O Medidor de "Quebra de Regras"
Eles também mediram a Taxa de Violação Estrutural (SVR), que verifica se o modelo está ignorando as regras rígidas.

Em seus experimentos, contanto que o modelo permanecesse dentro de um certo "orçamento" de erros permitidos (uma tolerância de κ = ⌊0.5 S⌋, onde S é o número de amostras), a SVR permaneceu próxima de 0,000.
Somente quando o ruído ficou extremamente alto (45% de ruído nos rótulos) é que a SVR saltou para 0,428, o que significa que o modelo estava frequentemente quebrando as regras.
Isso mostra que o modelo pode lidar com muito ruído sem quebrar as leis da física, desde que a "confusão" (BD) não seja muito alta.

3. Vendo o Futuro (Extrapolação)
A descoberta mais emocionante foi sobre a "extrapolação" — prever coisas que o modelo nunca viu antes.

Eles esconderam partes dos dados do modelo durante o treinamento (como esconder linhas específicas em uma tabela).
Eles descobriram que a Dispersão da Crença podia ser dividida em duas partes: o que o modelo viu (BD_visto) e o que ele não viu (BD_não_visto).
A parte BD_não_visto podia ser calculada imediatamente apenas olhando para quais linhas estavam faltando, antes mesmo de o modelo tentar prever qualquer coisa nova.
Em seus testes, quando esconderam 4 linhas, a BD_não_visto saltou para 0,68, e a precisão nessas novas linhas não vistas colapsou para 0,56. A métrica tradicional de "precisão de teste" só mostrava esse fracasso depois do fato, mas a métrica BD os alertou antecipadamente.

Por Que Isso Importa

O artigo não afirma ter resolvido todos os problemas da inteligência artificial. Em vez disso, oferece uma nova "lente" ou uma nova linguagem para falar sobre modelos híbridos. Ao traduzir esses complexos designs de engenharia para o framework "Juiz e Júri", os cientistas podem finalmente medir a incerteza epistêmica — que é uma forma elegante de dizer "o quanto o modelo não sabe sobre suas próprias regras".

Os autores sugerem que essa abordagem permite separar a "lógica" (as regras imutáveis) da "crença" (os palpites orientados por dados). Isso significa que, se um modelo falhar, podemos dizer se foi porque as regras eram muito rígidas ou porque o modelo está apenas supondo loucamente. Isso transforma uma caixa preta em um sistema transparente onde podemos ver exatamente onde reside a incerteza, ajudando engenheiros a construir sistemas de IA mais seguros e confiáveis para o mundo real.

Resumo Técnico: Da Modelagem Híbrida Mecanística–Baseada em Dados em Direção à IA Neuro-Simbólica

1. Definição do Problema

Modelos híbridos mecanísticos–baseados em dados (também conhecidos como modelos semiparamétricos ou de caixa cinza) são cada vez mais utilizados em engenharia de processos e aprendizado de máquina científico para abordar sistemas parcialmente compreendidos. Esses modelos incorporam primeiros princípios fixos (ex: balanços de massa, estequiometria) enquanto aprendem componentes desconhecidos (ex: fechamentos constitutivos, taxas não observadas) a partir de dados.

Apesar de sua utilidade, as práticas atuais de modelagem híbrida enfrentam duas limitações primárias:

Falta de uma Interface Semântica Compartilhada: Os designs são tipicamente especificados via arquiteturas e perdas de treinamento. Esse foco arquitetural dificulta a comparação e verificação entre domínios porque não há uma conta semântica unificada do que um modelo híbrido representa como um objeto de inferência.
Representação Inadequada de Incerteza: Frequentemente não há um método principado para representar ou propagar a incerteza epistêmica especificamente dentro da parte mecanística do modelo. Métricas padrão, como a acurácia de teste, apenas revelam mudanças de desempenho post hoc, falhando em quantificar a incidez de incerteza durante a extrapolação ou mudanças estruturais de distribuição antes da implantação.

O artigo postula que esses problemas decorrem de uma falta de separação formal entre a "lógica" (restrições estruturais) e a "crença" (plausibilidade aprendida) dentro dos modelos híbridos.

2. Metodologia: Tradução de Híbrido para NeSy (H2N)

Os autores propõem um procedimento de tradução sistemática, Híbrido-para-NeSy (H2N), que reconstrói modelos híbridos mecanísticos–baseados em dados como instâncias de IA Neuro-Simbólica (NeSy), especificamente aderindo à definição geral de De Smet e De Raedt.

2.1 O Framework NeSy

Um modelo NeSy é definido como uma tupla $(L, \mu, \Omega, b_\theta)$ :

$L$ : Uma linguagem com semântica $\mu$ sobre um espaço de interpretação $\Omega$ .
$b_\theta$ : Uma função de peso de crença.
Funcional de Inferência: Definido como $F_{\theta,x}(\phi) = \int_{\Omega'} l(\phi, \omega) b_{\theta,x}(\omega) dm(\omega)$ , combinando uma função lógica $l$ (avaliando consultas) com a crença $b_\theta$ .

2.2 Os Princípios de Tradução

O procedimento H2N mapeia designs híbridos para a tupla NeSy baseando-se em cinco princípios:

Estrutura Mecanística como Linguagem ( $L$ ): Equações centrais estruturais (ex: leis de balanço) e padrões de composição definem a linguagem e suas semânticas.
Semântica Operacional ( $\mu, l$ ): A função lógica $l$ implementa admissibilidade ou pontuação, determinando o que é estruturalmente válido.
Módulos Aprendidos como Crença ( $b_\theta$ ): Componentes aprendidos induzem uma função de crença sobre quantidades desconhecidas (parâmetros, fechamentos, estados latentes). Aprendizes determinísticos correspondem a crenças de Dirac; aprendizes estocásticos correspondem a distribuições não degeneradas.
Domínios de Validade como Lógica: Restrições rígidas e domínios de validade são colocados no lado da lógica (restringindo o domínio de integração $\Omega'$ ou via $l$ ) em vez do lado da crença. Isso garante admissibilidade independente de dados, pois leis físicas não devem depender do tamanho da amostra.
Fatoração Arquitetural: Padrões de série, paralelo e mistura de especialistas (mixture-of-experts) são espelhados por fatorações de $l$ e/ou $b_{\theta,x}$ .

Esta tradução gera um funcional de inferência explícito para qualquer design híbrido, separando a admissibilidade estrutural (lado da lógica) da plausibilidade aprendida (lado da crença).

3. Principais Contribuições

O artigo apresenta quatro contribuições específicas:

Procedimento de Tradução Principado: Um método para mapear qualquer descrição de modelo híbrido em uma tupla NeSy $(L, \mu, \Omega, b_\theta)$ com um funcional de inferência explícito.
Tabela de Mapeamento: Uma referência compacta (Tabela 1) mapeando padrões canônicos de design híbrido (ex: fechamento serial, resíduo paralelo, mistura de especialistas) para seus elementos NeSy e seu impacto específico no funcional de inferência.
Protocolo de Avaliação com Dois Métricas: A derivação de duas métricas baseadas na decomposição lógica–crença:
- Taxa de Violação Estrutural (SVR): Mede a massa de crença que recai sobre interpretações que violam restrições estruturais. Ela reside no lado da lógica e é dependente de tolerância.
- Dispersão de Crença (BD): Mede a concentração da crença aprendida (incerteza epistêmica). Ela reside no lado da crença, é independente de tolerância e é zero para crenças de Dirac.
Instanciação Empírica: Aplicação de H2N a um modelo híbrido estruturado para classificação binária sob ruído de rótulo, demonstrando como as métricas quantificam a incerteza que a acurácia de teste sozinha não consegue revelar.

4. Resultados: Estudo de Caso sobre Classificação Binária com Ruído

Os autores instanciaram H2N em redes booleanas estruturadas onde a parte mecanística define agrupamentos de características e a parte aprendida identifica tabelas de verdade de módulos (usando a estratégia NoiseCut).

4.1 Quantificando a Incerteza na Parte Mecanística

Correlação com a Acurácia: À medida que o ruído de rótulo aumentou, a acurácia de teste diminuiu enquanto a Dispersão de Crença (BD) aumentou. BD e acurácia de teste foram fortemente anti-correlacionados ( $\rho = -0.94$ ).
Variabilidade Preditiva: Crucialmente, o estudo descobriu que a BD prevê a variabilidade da acurácia de teste. Modelos com maior BD exibiram maior desvio padrão de semente-para-semente na acurácia de teste.
Estimativa A Priori: Como a BD é uma função das contagens de rótulos de treinamento e da estrutura mecanística, ela fornece uma estimativa a priori da incerteza do modelo no momento da implantação, enquanto a acurácia de teste só pode reportar isso após coletar dados de teste rotulados.

4.2 Quantificando a Incerteza Durante a Extrapolação

Decomposição: Sob mudanças de distribuição estrutural (mantendo fora linhas específicas da segunda camada), a BD se decompõe exatamente em $BD = BD_{visto} + BD_{não\_visto}$ .
Alerta Antecipado: $BD_{não\_visto}$ é computável apenas pela cobertura de linhas, antes que qualquer amostra fora da distribuição (OOD) seja observada. Nos experimentos, conforme o número de linhas retidas aumentava, o $BD_{não\_visto}$ subia monotonicamente, enquanto a acurácia dentro da distribuição permanecia alta e a acurácia OOD colapsava.
Significância: Isso demonstra que o H2N pode quantificar o estado epistêmico de um modelo em relação à cobertura e ao risco de extrapolação antes que a falha ocorra, uma capacidade ausente em descrições tradicionais de arquitetura e perda.

5. Significância e Alegações

O artigo alega que a tradução H2N fornece uma interface semântica compartilhada para modelagem híbrida, permitindo comparação e verificação sistemáticas entre domínios.

Desacoplamento de Lógica e Crença: Ao separar estritamente a admissibilidade estrutural (lógica) da plausibilidade aprendida (crença), o framework esclarece quais suposições são restrições rígidas e quais são dependentes de dados. Isso permite intervenções direcionadas: modificar $l$ para mudanças de regime versus modificar $b_\theta$ para incerteza.
Novas Capacidades de Diagnóstico: As métricas SVR e BD oferecem ferramentas de diagnóstico que não estão definidas sob descrições arquiteturais tradicionais. Especificamente, a BD serve como um proxy para a incerteza epistêmica no componente mecanístico, permitindo a detecção de mudanças de distribuição estrutural e riscos de extrapolação antes da implantação.
Benefício Bidirecional: O trabalho une dois campos. Ele fornece aos modeladores híbridos uma interface semântica rigorosa e fornece aos pesquisadores de NeSy um catálogo pré-processado de designs de incerteza estruturada (ex: envelopes de validade, verificações de resíduo) derivados de práticas de engenharia.

Os autores mantêm modéstia quanto às limitações, observando que a tradução não é única (embora os princípios P1–P5 fixem um posicionamento canônico) e que diagnósticos para espaços grandes ou contínuos dependem de inferência aproximada, herdando seus erros de calibração.