연구진이 뉴로심볼릭(Neurosymbolic) 학습 분야에서 서로 다른 의미론 체계를 단일 프레임워크로 통합하는 NeSyCat Torch를 발표했다. 뉴로심볼릭 학습은 신경망의 학습 능력과 기호 논리의 추론 능력을 결합하는 분야로, 기존에는 고전적·퍼지·확률적·신경 시스템이 각각 독자적인 진리 귀납 규칙을 정의해 상호운용이 어려웠다. NeSyCat은 상위 프레임워크인 ULLER를 확장해, 모나드(monad)와 진릿값 집계 구조를 파라미터로 하는 단일 귀납적 진리 정의 아래 이 모든 체계를 아우른다.
NeSyCat Torch는 이 프레임워크에서 신경망이 학습하는 술어와 함수를 구현하는 ‘누락된 연결고리’로 위치한다. 수치적으로 안정적이고 미분 가능한 훈련을 위해 로그 준환(log-semiring) 위의 지연 로그텐서 모나드(lazy log-tensor monad)를 사용하고, 배치 학습 효율을 위한 배치 모나드를 별도로 도입했다. 모나드 기반 do-표기법으로 작성된 공리가 곧 소스 코드가 돼, 모나드 바인드가 자동으로 주변화(marginalisation)를 수행하며 불필요한 분기를 가지치기한다는 점이 구현상의 특징이다.
MNIST 덧셈 과제 평가에서 HaskTorch·JAX·PyTorch 구현 모두 LTN과 DeepProbLog보다 속도와 정확도에서 우위를 보였으며, DeepStochLog에 근접한 정확도를 달성했다. 다만 연구진은 DeepStochLog과 달리 NeSyCat이 모나드를 교체하는 것만으로 연속 확률(Giry 모나드 등)까지 확장 가능한 균일한 프레임워크를 유지한다는 점을 차별점으로 강조했다. 연속 확률에 대한 신경 표현 방법은 향후 과제로 남겼다.
이 연구는 뉴로심볼릭 AI 분야에서 분절된 접근들을 수학적으로 통합하는 방향을 제시한다. 실용적 측면에서는 PyTorch 등 기존 딥러닝 백엔드와 호환되는 구현을 제공해, 기호 추론과 신경망 학습을 결합하려는 연구자들이 단일 코드베이스에서 다양한 의미론 체계를 실험할 수 있는 기반을 마련했다는 점에서 의의가 있다.
