Embeddings et recherche conceptuelle

Statut documentaire : architecture — voir Maturité et preuves.

logiCells utilise les embeddings comme projection numérique de la mémoire conceptuelle. Le moteur actuel ne se contente pas de stocker des vecteurs : il conserve une association explicite entre une valeur conceptuelle et sa représentation vectorielle, peut indexer ces vecteurs avec HNSW et sait reconvertir les résultats numériques en identités symboliques.

La frontière essentielle est la suivante :

valeur conceptuelle
    <-> registre d'embeddings <-> vecteur
                                  |
                                  v
                               index HNSW
                                  |
                                  v
                         candidats numériques
                                  |
                    filtres symboliques / reranking
                                  |
                                  v
                        candidats conceptuels

Un vecteur ne remplace donc pas un concept. C'est une représentation numérique interrogeable dont le lien avec la valeur conceptuelle reste explicite.

Ce que prend en charge le moteur actuel

• enregistrement bidirectionnel valeur conceptuelle ↔ vecteur d'embedding ;
• registres d'embeddings nommés et isolés les uns des autres ;
• indexes HNSW persistants stockés avec l'hypergraphe ;
• recherche K plus proches voisins avec score ;
• conversion des résultats HNSW en valeurs conceptuelles ;
• filtrage dur par compatibilité de Kind / instance ;
• requêtes composites construites à partir de plusieurs termes d'embedding pondérés ;
• génération de candidats par vecteur composé ou fusion de voisinages calculés par terme ;
• reranking numérique interchangeable, tandis que les filtres symboliques gardent l'autorité sur l'admissibilité.

Ces capacités sont vérifiées dans le code et les tests du moteur courant. Les pages de cette section documentent leur architecture et leur sémantique ; elles n'exposent pas les classes privées d'implémentation comme contrat SDK public.

Parcours

• Architecture
• Registre d'embeddings
• Index HNSW
• Recherche neuro-symbolique composite
• Utiliser les embeddings

Règle sémantique

La distance vectorielle peut classer les candidats. Elle ne prouve pas un fait, n'établit pas un type et ne remplace pas les contraintes symboliques. Lorsqu'une requête impose un Kind conceptuel, ce Kind peut être appliqué comme filtre symbolique dur après la génération numérique des candidats.