Naukowcy opracowali probabilistyczne rozszerzenie neuro-symbolicznych systemów AGI opartych na typowanej logice intensjonalnej Belnapa (IFOL_B), dodając zdolność do probabilistycznego przetwarzania nieznanek poprzez strukturę prawdopodobieństwa Nilssona. Głównym celem jest przezwyciężenie ograniczeń czysto neuronowych podejść - takich jak brak interpretacyjności i struktury logicznej - poprzez integrację formalnych narzędzi logicznych do samoreferecji.
System wprowadza dwie kategorie transformacji symetrii. Transformacja globalna zachowuje aktualną bazę wiedzy i dedukcję logiczną, podczas gdy transformacja lokalna wspomaga decyzje w czasie rzeczywistym dotyczące konkretnych podproblemów ograniczonych do bardzo ścisłego podzbioru predykatów IFOL_B. Obliczenie funkcji gęstości prawdopodobieństwa KI w obu przypadkach opiera się na maksymalnej entropii informacyjnej Shannona.
To podejście pozwala sieciom neuronom pełnić funkcję komputacyjną dla probabilistycznej części systemu, łącząc uczenie danych z formalnym rozumowaniem logicznym. Hybridowa architektura ma potencjał do tworzenia bardziej niezawodnych i interpretacyjnych systemów sztucznej inteligencji, które mogą zarówno uczyć się z danych, jak i operować na jasnych regułach logicznych.