From Hybrid Mechanistic--Data-Driven Modeling Toward Neuro-Symbolic AI: What, Why, and How
작성자
카테고리
Empty
저자
Moein E. Samadi, Andreas Schuppert
💡 개요
본 논문은 프로세스 공학 및 과학적 기계 학습에서 활용되는 하이브리드 메커니즘/데이터 기반 모델링을 신경-기호 AI(NeSy AI)의 관점에서 재구성하는 새로운 방법론인 Hybrid-to-NeSy(H2N)를 제안한다. H2N은 메커니즘 지식을 언어, 학습된 모듈을 믿음, 유효성 영역 및 제약 조건을 논리로 매핑하여 모델의 명시적인 NeSy 추론 함수와 논리-믿음 분해를 생성한다. 이 분해를 통해 학습된 믿음이 메커니즘 구조를 따르는지 측정하는 구조적 위반율(SVR)과 학습된 신뢰도의 집중도를 측정하는 믿음 분산(BD)이라는 두 가지 새로운 지표를 도출한다.
🔑 시사점 및 한계
•
H2N은 기존 하이브리드 모델링 설계에 대한 명확한 의미론적 인터페이스를 제공하여, 서로 다른 도메인 간의 비교 및 검증을 용이하게 한다.
•
SVR과 BD는 하이브리드 모델의 신뢰성을 평가하고, 특히 구조적 분포 변화 시 불확실성을 정량화하여 외삽(extrapolation) 예측 성능을 향상시키는 데 기여한다.
•
본 연구는 신경-기호 AI 프레임워크를 통해 하이브리드 모델링의 이해와 해석 가능성을 높였지만, 다양한 복잡한 시스템에 H2N 방법론을 성공적으로 적용하기 위한 추가적인 연구와 검증이 필요하다.
