2nd/10_Wiki/Topics/AI_and_ML/Neural-Symbolic-Integration.md

id, title, category, status, canonical_id, aliases, duplicate_of, source_trust_level, confidence_score, verification_status, tags, raw_sources, last_reinforced, github_commit, tech_stack

id	title	category	status	canonical_id	aliases	duplicate_of	source_trust_level	confidence_score	verification_status	tags	raw_sources	last_reinforced	github_commit	tech_stack
wiki-2026-0508-neural-symbolic-integration	Neural-Symbolic Integration	10_Wiki/Topics	verified	self	Neuro-Symbolic AI NeSy Hybrid AI Symbolic-Neural Integration	none	A	0.92	applied	neuro-symbolic hybrid-ai knowledge-graph reasoning alphageometry scallop deepproblog		2026-05-10	pending	language framework python pytorch-scallop-deepproblog

한 줄

Neural-Symbolic Integration(NeSy)은 신경망의 패턴 인식·표현 학습 능력과 기호 시스템의 추론·해석성·구조화 지식을 결합해, 데이터 효율과 일반화·검증성을 동시에 추구하는 하이브리드 AI 방향이다.

핵심

Henry Kautz 분류 (2020)

• Type 1 — symbolic Neuro symbolic: 입력/출력만 기호, 내부는 NN (대부분의 NLP).
• Type 2 — Symbolic[Neuro]: 기호 시스템이 NN을 호출 (LLM tool use).
• Type 3 — Neuro;Symbolic: 모듈 분리, 파이프라인.
• Type 4 — Neuro:Symbolic→Neuro: 기호 지식을 NN에 주입 (KG embedding).
• Type 5 — Neuro_{Symbolic}: 기호 제약을 NN 손실/구조에 통합 (DeepProbLog).
• Type 6 — Neuro[Symbolic]: NN 내부에 진정한 기호 추론 모듈 — 미해결 목표.

대표 시스템

• AlphaGeometry / AlphaGeometry 2 (DeepMind 2024–25): LLM이 보조선 제안 + symbolic deduction engine이 증명. IMO 금메달급.
• AlphaProof: Lean + RL + LLM 결합 정리 증명.
• DeepProbLog: 확률 논리 프로그램에 NN 술어 통합.
• Scallop: differentiable Datalog, PyTorch 통합.
• Logic Tensor Networks (LTN): 1차 논리식을 fuzzy tensor 손실로.
• NS-CL (MIT 2019): 시각 질의응답 via symbolic program execution.
• Knowledge Graph + LLM: GraphRAG, retrieval-augmented reasoning.

강점

• Few-shot / zero-shot 추론.
• 검증 가능 (proof, constraint).
• 도메인 지식(KG, ontology) 활용.
• Compositional generalization.

한계

• 통합 인터페이스 설계 어려움.
• Symbolic 추론은 brittle, NN은 noisy → 경계 처리.
• 학습 신호 전파 (미분 불가능 기호 연산).

응용

• 수학 정리 증명 (AlphaProof, AlphaGeometry).
• 의학 진단 (KG + clinical NLP).
• 로보틱스 task planning (LLM + PDDL).
• 법률·규정 추론 (rule + NLP).

💻 패턴

# 1. LLM + Symbolic solver — Sympy 호출
import sympy as sp
def solve_with_llm(question_nl: str, llm) -> str:
    eq_str = llm.translate_to_sympy(question_nl)  # NL → "x**2 - 4"
    x = sp.Symbol("x")
    roots = sp.solve(sp.sympify(eq_str), x)
    return llm.format_answer(roots)

# 2. DeepProbLog — 확률 논리 + NN 술어
"""
nn(mnist_net, [X], Y, [0,1,...,9]) :: digit(X, Y).
addition(X, Y, Z) :- digit(X, A), digit(Y, B), Z is A+B.
"""
# X, Y는 MNIST 이미지, Z는 합. NN이 digit 술어를 학습.

# 3. Scallop — differentiable Datalog
import scallopy
ctx = scallopy.ScallopContext(provenance="diffminmaxprob")
ctx.add_relation("digit_1", (int, int))  # (img_id, value)
ctx.add_relation("digit_2", (int, int))
ctx.add_rule("sum(a+b) = digit_1(a), digit_2(b)")
ctx.run()

# 4. Logic Tensor Network — 제약을 손실로
# ∀x: dog(x) → animal(x) 를 fuzzy 만족도로 변환
import torch
def implies(p, q): return torch.clamp(1 - p + q, 0, 1)
loss_logic = -torch.log(implies(dog_pred, animal_pred)).mean()
total_loss = ce_loss + lambda_logic * loss_logic

# 5. Knowledge Graph + Embedding — TransE
# h + r ≈ t 가 성립하도록 entity/relation embedding 학습
score = -torch.norm(emb_h + emb_r - emb_t, p=2, dim=-1)

# 6. GraphRAG — KG 검색 + LLM 답변
def graph_rag(query, kg, llm, embedder):
    nodes = kg.search(embedder.encode(query), top_k=10)
    subgraph = kg.expand_neighborhood(nodes, hops=2)
    context = serialize_graph(subgraph)
    return llm.complete(f"Context:\n{context}\n\nQ: {query}\nA:")

# 7. LLM tool use — calculator/SQL
tools = [{
    "name": "calculator", "description": "evaluate math",
    "input_schema": {"type":"object","properties":{"expr":{"type":"string"}}}
}]
# Claude/OpenAI tool calling으로 symbolic 백엔드 호출

# 8. Constraint satisfaction in NN — projection layer
def project_to_constraints(logits, constraints):
    # 분류 결과를 ontology 제약 만족 영역으로 투영
    return solver.project(logits, constraints)

# 9. Program induction — LLM이 DSL 프로그램 생성
def neuro_symbolic_qa(image, question, llm):
    program = llm.generate_program(question)  # filter(color=red), count(...)
    return execute_dsl(program, image)  # symbolic execution

# 10. AlphaGeometry-style — 보조선 제안 + DDAR
def prove_geom(problem, llm, ddar):
    state = parse(problem)
    while not ddar.solve(state):
        new_construction = llm.suggest_aux_line(state)
        state = state.add(new_construction)
    return ddar.proof(state)

결정 기준

문제	추천
정확한 수치 계산 필요	LLM + sympy/계산기 (Type 2)
도메인 KG 존재	GraphRAG / TransE 임베딩 (Type 4)
논리 제약 강제 필요	LTN / Semantic Loss (Type 5)
확률 + 논리 결합	DeepProbLog / Scallop
시각 추론 (CLEVR류)	NS-CL, program induction
정리 증명	AlphaProof / AlphaGeometry / Lean+RL
일반 작업 (대부분 데이터 ML)	NeSy 불필요, NN만으로 충분

기본값: LLM tool use(Type 2) + KG 보강(Type 4)이 가장 실용적이다.

🔗 Graph

• 부모: Hybrid-AI, Symbolic-AI, Deep-Learning
• 형제: Knowledge-Graph, Logic-Programming, Probabilistic-Programming
• 자식: DeepProbLog, Scallop, Logic-Tensor-Network, NS-CL
• 응용: AlphaGeometry, AlphaProof, GraphRAG, Lean-Theorem-Prover
• 인물: Henry-Kautz, Artur-Garcez

🤖 LLM 활용

• LLM 자체가 Type 2 NeSy의 핵심 — tool use, code interpreter, RAG.
• LLM + Lean/Coq/Sympy로 검증 가능한 답변 생성.
• 2025–26 추세: agentic NeSy (LLM이 KG·solver를 자율 orchestration).

❌ 안티패턴

• 모든 문제에 NeSy 강제 — 단순 분류엔 과설계.
• 미분 불가능 기호 연산을 학습 루프에 직접 (REINFORCE/STE 없이).
• KG 품질 검증 없이 임베딩 → 노이즈 증폭.
• LLM에게 추론 전체를 맡기고 검증 단계 생략.

🧪 검증 / 중복

• AlphaGeometry IMO 30문제 벤치, ProofNet, MATH 데이터셋.
• 별칭 통합: Neuro-Symbolic-AI, NeSy, Hybrid-AI.
• 검증: 기호 검증기(Lean, Z3) 통과 비율로 측정.

🕓 Changelog

• Phase 1 (2026-05-08): 초기 생성.
• Manual cleanup (2026-05-10): canonical 확정, Kautz 6분류, AlphaGeometry/AlphaProof 2024-25 사례 추가, 패턴 10개 정비.