Auditable Inference in Physics-Regulated Classifiers: PhysicsOnly/NeuralOnly/Hybrid Modes and a Fuzzy Reading of the Differentiable Physics Layer
Resumo
Classificadores de IA guiados por limiares vêm embutindo regras de engenharia (p.ex. limiares de distorção harmônica) numa camada física diferenciável, mas seus vereditos costumam sair como um único rótulo opaco. Contribuímos com um protocolo de inferência auditável: de um único forward, expomos três vereditos por norma —PhysicsOnly, NeuralOnly e Híbrido— junto do peso de mistura treinado α, de uma marca de proximidade de fronteira e de um sinal de discordância entre fluxos. Mostramos ainda que os limiares suaves da camada física diferenciável são, formalmente, funções de pertinência fuzzy: a classe interna “Conforme” vira pertinência graduada, os escores de severidade formam uma partição fuzzy de soma quase unitária construída com t-normas produto (desvio medido ≤ 6,1 × 10−6) e o α-mix age como gate neuro-fuzzy mensurado. Saídas preservadas de um artefato histórico de qualidade de energia com quatro limiares (195 casos separados por linha, semente 42) ilustram o protocolo: o fluxo neural discorda da regra em 9,2–22,1% das amostras, mas o híbrido contraria a regra em apenas 2 amostras — ambas a 0,008 ponto percentual do limite PRODIST, onde o α = 0,015 treinado acompanha, na mistura de logits preservada, a inversão de um veredito físico quase empatado. Uma segunda saída histórica, exploratória, em 923 oscilografias reais AIRI de subestação exibe o mesmo padrão observacional: os flips híbrido–regra ficam confinados à fronteira (3 janelas), enquanto a discordância latente rede–regra chega a 87–88%. Essas contagens descrevem somente o artefato histórico: a auditoria atual de proveniência não demonstra split independente por fonte/evento/view nem validade normativa/metrológica, e as rotas de reprodução falham fechadas. O estudo não autoriza claims de acurácia, generalização, detecção de deriva ou conformidade.
Referências
Doshi-Velez, F. and Kim, B. (2017). Towards a rigorous science of interpretable machine learning. arXiv:1702.08608.
Evdakov, A., Filatova, G., Yablokov, A., Kovalenko, A., Skachkov, E., and Makarov, I. (2026). A dataset of real-world oscillograms from electrical power grids. Scientific Data.
Guidotti, R., Monreale, A., Ruggieri, S., Turini, F., Giannotti, F., and Pedreschi, D. (2018). A survey of methods for explaining black box models. ACM Computing Surveys.
Holzinger, A., Langs, G., Denk, H., Zatloukal, K., and Müller, H. (2019). Causability and explainability of artificial intelligence in medicine. WIREs Data Mining and Knowledge Discovery.
Jang, J.-S. R. (1993). ANFIS: adaptive-network-based fuzzy inference system. IEEE Transactions on Systems, Man, and Cybernetics.
Jrhilifa, I., Ouadi, H., Rafia, H., Jilbab, A., Mounir, N., and Lahrarti, Y. (2025). Explainable deep learning for voltage disturbance classification in microgrid AC bus using LSTM and SHAP. In 2025 13th International Conference on Systems and Control (ICSC).
Karniadakis, G. E., Kevrekidis, I. G., Lu, L., Perdikaris, P., Wang, S., and Yang, L. (2021). Physicsinformed machine learning. Nature Reviews Physics.
Lundberg, S. and Lee, S.-I. (2017). A unified approach to interpreting model predictions. arXiv:1705.07874.
Machlev, R., Perl, M., Caciularu, A., Belikov, J., Levy, K. Y., and Levron, Y. (2023). Explaining the decisions of power quality disturbance classifiers using latent space features. International Journal of Electrical Power & Energy Systems, 148.
Mamdani, E. H. and Assilian, S. (1975). An experiment in linguistic synthesis with a fuzzy logic controller. International Journal of Man-Machine Studies.
Miller, T. (2019). Explanation in artificial intelligence: Insights from the social sciences. Artificial Intelligence.
Pacheco, E. J., Pedroso, C. M., and Kuiava, R. (2026). Auditable PQD classification and domain transfer analysis with explainable boosting machines. IEEE Access.
Raissi, M., Perdikaris, P., and Karniadakis, G. E. (2019). Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations. Journal of Computational Physics, 378:686–707.
Ribeiro, M. T., Singh, S., and Guestrin, C. (2016). “Why should I trust you?”: Explaining the predictions of any classifier. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pages 1135–1144.
Rudin, C. (2019). Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead. Nature Machine Intelligence.
Ruspini, E. H. (1969). A new approach to clustering. Information and Control.
Shi, L., Cui, Q., Zhang, Y., Wu, H., Gao, J., and Li, W. (2025). A voltage sag detection framework based on constraint-driven neural networks. International Journal of Electrical Power & Energy Systems, 173.
Silva, D. d. T., Guardia, E. C., Yamachita, R. A., and Souza, G. A. F. d. (2026a). The circularity trap in power-quality severity classification. Manuscrito companheiro em preparação.
Silva, D. d. T., Guardia, E. C., Yamachita, R. A., and Souza, G. A. F. d. (2026b). DiffNormPQ: A multinorm physics-informed network for power-quality severity classification. Manuscrito companheiro em preparação.
Slack, D., Hilgard, S., Jia, E., Singh, S., and Lakkaraju, H. (2020). Fooling LIME and SHAP. In Proceedings of the AAAI/ACM Conference on AI, Ethics, and Society.
Takagi, T. and Sugeno, M. (1985). Fuzzy identification of systems and its applications to modeling and control. IEEE Transactions on Systems, Man, and Cybernetics.
von Rueden, L., Mayer, S., Beckh, K., Georgiev, B., Giesselbach, S., Heese, R., Kirsch, B., Walczak, M., et al. (2021). Informed machine learning – a taxonomy and survey of integrating prior knowledge into learning systems. IEEE Transactions on Knowledge and Data Engineering.
Zadeh, L. A. (1965). Fuzzy sets. Information and Control, 8(3):338–353.
Zhang, Y., Wang, H., Luo, B., Zheng, Y., Shahidehpour, M., Chen, W., and Lin, K. (2026). Detection of out-of-distribution power quality disturbance using dual-channel Gramian angular field with enhanced Mahalanobis distance. IEEE Transactions on Smart Grid.
