Neurosymbolische Frameworks: Konzeptuelle Analyse und Vergleich

Neurosymbolische (NeSy) Frameworks verbinden die Lernkraft neuronaler Netze mit der Klarheit symbolischer Logik. Durch diese Kombination erhalten wir die Erklärbarkeit und Interpretierbarkeit symbolischer Systeme, während die Flexibilität und Leistungsfähigkeit neuronaler Modelle erhalten bleibt. Das Ergebnis: komplexe Aufgaben können zuverlässiger und datenärmer gelöst werden.

Die aktuelle Forschung konzentriert sich jedoch überwiegend auf Algorithmen, statt auf generische, deklarative Problemformulierungstools. In dem neuen Beitrag werden die technischen Aspekte bestehender NeSy‑Frameworks – von der symbolischen Repräsentationssprache über die Integration neuronaler Modelle bis hin zu den zugrunde liegenden Algorithmen – systematisch beschrieben. Dabei werden drei exemplarische Frameworks vorgestellt: DeepProbLog, Scallop und DomiKnowS.

Der Artikel identifiziert die Herausforderungen in jedem dieser Bereiche und bewertet die Ausdruckskraft der jeweiligen Frameworks bei der Lösung vielfältiger Probleme. Ziel ist es, die Community zu motivieren, neu zu denken und transformative Ansätze zu entwickeln, die die Grenzen neuromodeller und symbolischer KI weiter verschieben.