Resumen: La representación del conocimiento y el razonamiento en las redes neuronales han sido un esfuerzo de larga data que ha atraído mucha atención recientemente. La integración de principios del razonamiento y el aprendizaje en las redes neuronales es un objetivo principal del área de inteligencia artificial neurosimbólica (IA). En este capítulo, se describe un sistema de IA neurosímbólico simple basado en la energía que puede representar y razonar formalmente sobre cualquier fórmula lógica proposicional. Esto crea una poderosa combinación de aprendizaje de los datos, el conocimiento y el razonamiento lógico. Comenzamos colocando la IA neurosymbólica en el contexto del panorama actual de IA que, como era de esperar, domina por modelos de idiomas grandes (LLM). Identificamos importantes desafíos de la eficiencia de los datos, la equidad y la seguridad de los LLM que podrían abordarse por los sistemas de razonamiento neurosimbólico con capacidades formales de razonamiento. Luego discutimos la representación de la lógica por el sistema específico basado en energía, incluidos los ejemplos ilustrativos y la evaluación empírica de la correspondencia entre el razonamiento lógico y la minimización de energía utilizando máquinas Boltzmann restringidas (RBM). El aprendizaje de los datos y el conocimiento también se evalúa empíricamente y se compara con un sistema simbólico, neural y neurocólico. Se espera que los resultados informados en este capítulo de manera accesible reavivan la investigación sobre el uso de redes neuronales como modelos masivamente paralelos para el razonamiento lógico y promuevan la integración principalmente del razonamiento y el aprendizaje en redes profundas. Concluimos el capítulo con una discusión sobre la importancia de posicionar la IA neurosímbólica dentro de un marco más amplio de razonamiento formal y responsabilidad en la IA, discutiendo los desafíos de la IA neurosinbólica para abordar los diversos problemas conocidos de confiabilidad del aprendizaje profundo.
Publicado Originalme en rss.arxiv.org El 27 de mayo de 2025.
Ver Fuente Original
