Neuro-symbolic AI

17 items

ARTICLEDEV.to AI·23/04/2026

Adaptive Neuro-Symbolic Planning for planetary geology survey missions for extreme data sparsity scenarios

Ce contenu explore les limites des systèmes de planification traditionnels et des approches purement neuronales pour la navigation autonome de rovers lors de missions géologiques planétaires avec une extrême rareté de données. L'auteur a trouvé une solution hybride dans le raisonnement neuro-symbolique, combinant la reconnaissance de formes des réseaux neuronaux avec la rigueur logique.

Planning Space Exploration robotics Neuro-symbolic AI

RESEARCHarXiv CS.CL·08/05/2026

ReaComp: Compiling LLM Reasoning into Symbolic Solvers for Efficient Program Synthesis

ReaComp compile le raisonnement des LLM en synthétiseurs de programmes symboliques pour surmonter l'inefficacité et le manque de fiabilité des LLM sur les tâches de synthèse de programmes difficiles. Ces solveurs autonomes surpassent les LLM en précision et en efficacité, améliorant les configurations hybrides neuro-symboliques tout en réduisant considérablement l'utilisation de jetons.

program synthesis LLMs Symbolic AI AI Efficiency

RESEARCHDEV.to AI·14/04/2026

Adaptive Neuro-Symbolic Planning for deep-sea exploration habitat design in hybrid quantum-classical pipelines

Un agent d'apprentissage par renforcement chargé d'optimiser la conception d'un habitat sous-marin a produit un design impossible, soulignant les limites de l'IA purement sub-symbolique lorsque les contraintes symboliques sont faiblement appliquées. Cette expérience a orienté la recherche vers la planification neuro-symbolique adaptative pour les conceptions critiques.

AI limitations Habitat Design reinforcement learning Deep-sea exploration

RESEARCHarXiv CS.AI·07/05/2026

Temporal Reasoning Is Not the Bottleneck: A Probabilistic Inconsistency Framework for Neuro-Symbolic QA

Cet article de recherche affirme que le goulot d'étranglement du raisonnement temporel des grands modèles linguistiques n'est pas la déduction logique, mais plutôt la représentation non structurée texte-événement. Il introduit un cadre neuro-symbolique de questions-réponses utilisant un signal d'incohérence probabiliste (PIS) pour découpler l'extraction sémantique du raisonnement symbolique.

LLMs temporal reasoning Question Answering Neuro-symbolic AI

RESEARCHarXiv CS.AI·06/04/2026

Compositional Neuro-Symbolic Reasoning

O título refere-se à pesquisa sobre raciocínio neuro-simbólico composicional, uma área avançada da inteligência artificial. Este campo explora a integração de redes neurais com sistemas simbólicos para permitir raciocínio mais robusto e estruturado.

Compositionality Reasoning Neuro-symbolic AI

RESEARCHarXiv CS.AI·22/04/2026

From Natural Language to Executable Narsese: A Neuro-Symbolic Benchmark and Pipeline for Reasoning with NARS

Cet article présente un cadre neuro-symbolique pour traduire les problèmes de raisonnement en langage naturel en Narsese exécutable, en utilisant la logique du premier ordre. Il introduit NARS-Reasoning-v0.1, un nouveau benchmark proposant des problèmes de raisonnement avec leurs représentations formelles et des étiquettes de vérité pour évaluer les capacités de raisonnement.

LLMs Reasoning Benchmarks Neuro-symbolic AI

RESEARCHarXiv CS.AI·07/05/2026

ANDRE: An Attention-based Neuro-symbolic Differentiable Rule Extractor

Cet article présente ANDRE, un nouveau cadre de Programmation Logique Inductive (ILP) neuro-symbolique différentiable basé sur l'attention, qui apprend des programmes logiques de premier ordre. Il optimise un espace de règles continu avec des opérateurs logiques entièrement différentiables et basés sur l'attention, résolvant les défis d'échelle dans des contextes bruyants et probabilistes.

machine learning attention mechanisms Logic Programming Inductive Logic Programming

RESEARCHarXiv CS.AI·30/04/2026

Grounding vs. Compositionality: On the Non-Complementarity of Reasoning in Neuro-Symbolic Systems

Ce travail remet en question l'hypothèse selon laquelle le raisonnement compositionnel émerge comme un sous-produit de l'ancrage symbolique dans l'IA neuro-symbolique. Il introduit l'architecture $i$LTN, montrant que les modèles entraînés uniquement sur un objectif d'ancrage échouent à généraliser, tandis qu'un entraînement conjoint sur l'ancrage perceptuel et le raisonnement multi-étapes est crucial.

Compositional Generalization Reasoning AI Architectures Symbol Grounding

RESEARCHarXiv CS.CL·27/04/2026

Incentivizing Neuro-symbolic Language-based Reasoning in VLMs via Reinforcement Learning

Ce travail explore le raisonnement en langage neuro-symbolique dans les VLMs, utilisant l'apprentissage par renforcement pour améliorer les capacités analytiques et l'efficacité. Il a obtenu une augmentation de 3,33% de la précision sur un ensemble de données vision-langage et une réduction de 75% des tokens de raisonnement.

Vision-Language Models reinforcement learning Reasoning Neuro-symbolic AI

RESEARCHarXiv CS.LG·il y a 22j

Logical Grammar Induction via Graph Kolmogorov Complexity: A Neuro-Symbolic Framework for Self-Healing Clinical Data Integrity

Cet article présente Logic-GNN, un cadre neuro-symbolique qui utilise les Réseaux Neuronaux Graphiques Temporels et la Complexité de Kolmogorov pour détecter les erreurs de saisie de données dans les dossiers cliniques. Il identifie les anomalies comme des "violations grammaticales" dans une grammaire logique latente des interactions médicales, atteignant un score F1 de 0,94.

Anomaly Detection data integrity Graph Neural Networks healthcare AI

RESEARCHarXiv CS.CL·il y a 20j

ReacTOD: Bounded Neuro-Symbolic Agentic NLU for Zero-Shot Dialogue State Tracking

ReacTOD propose une architecture neuro-symbolique bornée pour les systèmes de dialogue orientés tâches, reformulant le NLU comme des appels d'outils discrets. Elle améliore la précision jusqu'à 9,3 points de pourcentage et atteint un taux d'autocorrection de 93,1% sur les erreurs interceptées.

AI architecture machine learning dialogue systems Natural Language Understanding

RESEARCHarXiv CS.AI·il y a 8j

PhyDrawGen: Physically Grounded Diagram Generation from Natural Language

PhyDrawGen est un pipeline neuro-symbolique générant des diagrammes physiques précis à partir de texte, surpassant les modèles existants en matière de respect des lois physiques. Il utilise un grand modèle linguistique pour l'extraction de graphes de scène et un solveur déterministe pour satisfaire les contraintes physiques et géométriques.

Diagram Generation Physics AI large language models

RESEARCHarXiv CS.AI·06/04/2026

Aligning Progress and Feasibility: A Neuro-Symbolic Dual Memory Framework for Long-Horizon LLM Agents

O título sugere uma pesquisa sobre um framework neuro-simbólico de memória dupla para agentes LLM, visando alinhar progresso e viabilidade em tarefas de longo horizonte. Ele aborda a melhoria da capacidade de agentes de IA para planejar e executar ações complexas ao longo do tempo.

memory architectures LLMs LLM Agents Neuro-Simbólico

RESEARCHarXiv CS.AI·06/04/2026

AIVV: Neuro-Symbolic LLM Agent-Integrated Verification and Validation for Trustworthy Autonomous Systems

Este título descreve uma pesquisa focada na verificação e validação de sistemas autônomos confiáveis, utilizando uma abordagem neuro-simbólica integrada a agentes LLM. O objetivo é garantir a robustez e a segurança de sistemas de IA avançados.

LLM Agents Autonomous systems Verification and Validation trustworthy AI

RESEARCHarXiv CS.AI·23/04/2026

EvoForest: A Novel Machine-Learning Paradigm via Open-Ended Evolution of Computational Graphs

EvoForest présente un nouveau système neuro-symbolique pour l'évolution ouverte de la computation, dépassant la simple optimisation des paramètres. Il fait évoluer conjointement des structures computationnelles, des familles de fonctions et des composants entraînbles pour aborder des problèmes complexes de prédiction structurée.

computational graphs machine learning Evolutionary Algorithms Neuro-symbolic AI

RESEARCHarXiv CS.AI·il y a 21j

ANNEAL: Adapting LLM Agents via Governed Symbolic Patch Learning

ANNEAL est un agent neuro-symbolique qui répare les échecs récurrents des agents LLM via des modifications symboliques gouvernées d'un graphe de connaissances de processus. Il localise l'opérateur responsable, synthétise un correctif typé et le valide avec des garde-fous symboliques et des tests canaris avant de valider le changement.

LLM Agents Knowledge Graphs error recovery AI Governance

RESEARCHDEV.to AI·15/04/2026

Adaptive Neuro-Symbolic Planning for wildfire evacuation logistics networks for extreme data sparsity scenarios

Cette recherche porte sur la planification neuro-symbolique adaptative pour optimiser les réseaux logistiques d'évacuation des feux de forêt. Elle aborde spécifiquement les défis dans les scénarios caractérisés par une extrême rareté des données.

logistics Planning wildfire AI