NeSySpec: Neuro-Symbolic Technical Intelligence for Auditing Engineering Specifications with an Application to Aircraft
Pubblicata su AIChronos il · fonte del · Pier Mattia Basciano, Gianvito Antenori, Cristiano Andolfi, Giovanni Farina, Salvatore Monteleone
NeSySpec è un framework di audit neuro-simbolico integrato basato su Logic Tensor Networks che valida le specifiche tecniche ingegneristiche rispettando vincoli fisici differenziabili appresi da dati reali. Il sistema opera in una singola pipeline per diagnosticare violazioni, identificare i campi alterati tramite abduzione e proporre correzioni a minima variazione, collegando anche evidenze visive alle parti descritte. Validato su 107 tipi di aeromobili con test su set tenuti fuori dall'addestramento, supera le prestazioni dei modelli basati su regole o LLM tradizionali nella diagnosi delle violazioni e nell'identificazione degli errori.
- Utilizza Logic Tensor Networks per codificare relazioni fisiche come predicati differenziabili con tolleranze apprese da registri reali.
- Esegue un'unica pipeline che combina diagnosi di vincoli, identificazione del campo alterato tramite abduzione e proposta di correzioni senza bisogno di retraining.
- Raggiunge una precisione del 94.2% nel nominare i vincoli violati su registri corrotti, superando significativamente il metodo classico Fellegi-Holt (79.5%).
- Identifica con successo il campo alterato nel 59.3% dei casi tramite abduzione, contro il 30.6% ottenuto da metodi di localizzazione a cardinalità minima.
- Integra evidenze visive come fotografie e immagini satellitari per collegare le prove alle parti dell'aeromobile descritte nella specifica.
Perché conta. Per gli sviluppatori che lavorano con LLM, agenti e AI locale, NeSySpec dimostra l'importanza di integrare conoscenza simbolica differenziabile nei modelli neurali per garantire interpretabilità, affidabilità in domini critici come l'aeronautica e capacità di ragionamento causale senza dipendere esclusivamente da pattern statistici.
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.