2026年3月12日，人工智能学院在15栋315召开了科研三组例会，袁老师汇报了课题组在神经符号人工智能（Neuro-Symbolic AI）方向近期的研究进展，重点介绍了为解决高维、动态复杂系统建模与推理问题所设计的融合框架。主要内容如下：
一、会议内容
1、研究背景与核心问题
当前，纯数据驱动的深度学习方法在可解释性、因果推理和样本效率上存在局限，而传统的符号推理方法难以处理高维、非结构化的现实数据。神经符号AI旨在融合两者的优势。本研究聚焦于复杂系统（如生物调控网络、社会动力学系统）的建模，其核心挑战在于：
（1）如何从高维时序数据中自动学习可解释的符号规则，而非黑箱特征。
（2）如何实现神经网络感知与符号引擎推理的高效、动态闭环，使系统能同时进行模式识别与逻辑演绎。
（3）如何处理知识的不确定性与演化。复杂系统中的规则可能随时间或条件变化。
2、提出的“DyFus”框架与关键技术
汇报重点介绍了团队设计的动态融合框架“DyFus”。
（1）分层符号抽象模块：
利用改进的稀疏自编码器与概念瓶颈模型，将底层高维数据（如多组学数据、多智能体状态）压缩为中层离散的、人类可理解的“概念”集合。
设计了一种时序规则归纳算法，能从概念序列中挖掘潜在的逻辑关系（如“若概念A与B在时间t同时出现，则大概率在t+∆t触发概念C”）。
（2）神经-符号接口与推理循环：
构建了一个可微的符号推理层，将归纳出的逻辑规则转化为可嵌入神经网络的结构化约束。
框架运行机制为：神经网络处理原始输入，输出初步预测与概念激活；符号推理层根据当前激活的概念和知识库中的规则进行逻辑推导，生成修正信号或高阶假设；该信号反馈回神经网络，调整其内部表示与最终输出，形成“感知-推理-修正”闭环。
（3）动态知识库更新机制：
为应对非平稳环境，框架包含一个元学习单元，持续监控符号规则的预测置信度。当规则失效频率超过阈值时，触发针对特定规则的重新学习或增删，实现知识库的渐进式演化。
3、初步验证与应用场景
（1）合成数据验证：在模拟的复杂网络动力学数据集上，DyFus框架在预测准确性上媲美纯神经网络模型，同时在规则发现的可解释性方面显著优于基线模型，能够复现出部分预设的生成规则。
（2）拟探索的真实世界场景：
细胞信号通路推断：从单细胞测序时序数据中，推断蛋白质相互作用的潜在因果逻辑链。
复杂软件系统故障诊断：结合系统日志（序列数据）与已知的故障树（符号知识），进行根因推理。
二、组员讨论
汇报结束后，与会老师与同学围绕框架的可行性、挑战及下一步方向展开了热烈讨论：
许小迪老师提出计算复杂度关切。她指出，可微符号推理和实时知识库更新可能带来较大的计算开销，尤其是在处理超大规模概念集时。建议在下一阶段工作中，引入知识蒸馏或规则重要性剪枝策略，对符号部分进行“瘦身”。
杨青松老师关注规则的可信度与冲突解决问题。他提问，当从数据中归纳出多条相互矛盾或置信度不高的规则时，推理循环如何进行仲裁与决策？建议引入不确定性量化和证据理论，为每条规则赋予动态权重。
王利元老师从工程落地角度，建议明确框架的阶段性产出。他认为应先聚焦于一个相对封闭的基准问题（如某类棋类游戏的策略学习），完整验证闭环的有效性，再扩展至开放的复杂系统，这样更容易评估框架的核心贡献。
三、会议总结
袁老师对本次汇报和讨论进行了总结。
会议肯定了DyFus框架设计的前沿性和在可解释AI方向上的价值，一致认为神经符号融合是解决复杂系统认知问题的有潜力路径。
同时，会议明确指出当前工作仍处于框架设计与初步验证阶段，面临计算效率、规则冲突、可扩展性等多重挑战。
经讨论，确定下一步核心工作方向：
近期（未来4周）：整合讨论意见，优化框架设计，重点完善规则冲突消解机制。在1-2个标准数据集上完成与主流神经符号模型的对比实验。
中期（未来3个月）：选择“细胞信号通路推断”作为首个深度验证场景，与学院生物信息学团队建立合作，获取真实数据，验证框架在真实科学问题中的效用。
图为例会讨论
