Les ontologies **OWL** sont largement utilisées pour structurer des connaissances et permettre du raisonnement sémantique, notamment dans des secteurs comme la santé ou la bioinformatique. Mais dans les usages réels, ces bases de connaissances sont souvent **incomplètes**, ce qui limite la capacité des systèmes à inférer correctement certaines relations entre concepts.
L’article **"NeurOWL: An LLM-Based Neural-symbolic Framework for Incomplete OWL Ontology Reasoning"** s’attaque à ce problème via une tâche centrale de raisonnement par **subsomption**. Concrètement, il s’agit de prendre une ontologie incomplète et une relation candidate entre deux concepts, non déjà déduite, puis d’estimer si cette relation reste **sémantiquement plausible**. Si c’est le cas, le système cherche aussi à fournir une **explication logiquement fondée**, sous la forme d’axiomes potentiellement absents.
Selon les auteurs, cette formulation réunit deux besoins habituellement séparés : la **vérification** d’une subsomption et l’**abduction ontologique**. Elle irait même plus loin que l’abduction classique, car elle ne suppose pas à l’avance un ensemble fermé d’axiomes manquants à tester. Pour y répondre, NeurOWL combine plusieurs briques : la sémantique formelle propre aux ontologies, des **embeddings d’ontologie** et les capacités de compréhension textuelle des **LLM**.
Les auteurs indiquent avoir évalué NeurOWL sur des ontologies réelles issues de plusieurs domaines. Ils rapportent des performances jugées **solides et robustes** d’un domaine à l’autre, sans que le résumé arXiv ne détaille ici les métriques ou les jeux de données précis. À ce stade, la publication met surtout en avant une piste prometteuse pour rapprocher raisonnement symbolique et IA générative dans des environnements où l’exhaustivité des connaissances ne peut pas être garantie.