Program-as-Weights: Un paradigma de programación para funciones difusas | Integración de lógica programática con pesos de redes neuronales | Cómo crear programas con funciones aprendibles y optimizables

Abstract

PROBLEMA: La integración de funciones que manejan imprecisión o datos "difusos" en lenguajes de programación tradicionales es rígida y difícil de optimizar mediante aprendizaje automático. SOLUCIÓN: El paper propone "Program-as-Weights" (PaW), un nuevo paradigma donde la estructura de un programa se mantiene constante pero sus componentes lógicos actúan como pesos de una red neuronal, permitiendo que las funciones difusas sean aprendibles y diferenciables. METODOLOGÍA: Utilizan una arquitectura híbrida que mapea construcciones lógicas a capas neuronales y validan el sistema en tareas de razonamiento simbólico y procesamiento de lenguaje natural. RESULTADOS: PaW logra una precisión superior en tareas que requieren tanto estructura lógica como capacidad de generalización estadística, superando a modelos puramente neuronales en interpretabilidad. RELEVANCIA: Es fundamental para crear sistemas donde el código fuente y el aprendizaje profundo coexistan de forma nativa, facilitando la creación de software auto-optimizable.