Onderzoekers hebben een nieuwe methode ontwikkeld die kunstmatige intelligentie helpt om effectiever informatie te selecteren, op te slaan en te wissen in omgevingen waar niet alle gegevens direct zichtbaar zijn.
In de wereld van reinforcement learning (bekrachtigingsleren) vormen 'gedeeltelijk observeerbare' omgevingen een grote uitdaging. In dergelijke scenario's heeft een AI-agent geen volledig overzicht van de situatie en moet hij zelf beslissen welke informatie relevant is om te onthouden en wat gewist kan worden om ruimte te maken voor nieuwe data. In een recent gepubliceerd onderzoek op arxiv.org presenteren Taewoon Kim, Vincent François-Lavet en Michael Cochez een oplossing in de vorm van een neuro-symbolische meta-policy.
De brug tussen neurale netwerken en symbolische logica
De kern van de nieuwe benadering is de combinatie van twee verschillende AI-werelden: de neurale netwerken, die uitblinken in patroonherkenning en adaptiviteit, en symbolische systemen, die bekend staan om hun transparantie en logische structuur. De onderzoekers introduceren een systeem dat leert welke symbolische geheugenheuristiek op een specifiek beslismoment moet worden toegepast, terwijl de uiteindelijke uitvoering symbolisch blijft.
Volgens de stelt dit de AI in staat om een controller te hebben die zowel adaptief als inspecteerbaar is. Dit betekent dat ontwikkelaars kunnen terugzien waarom een systeem bepaalde informatie heeft bewaard of verwijderd, wat in traditionele 'black box' neurale netwerken vaak onmogelijk is.
Gebruik van Temporal Knowledge-Graphs
Om dit te realiseren, maken de auteurs gebruik van een specifieke architectuur genaamd RoomKG. In dit systeem worden de verborgen toestanden en observaties gerepresenteerd als RDF-grafieken (Resource Description Framework). Dit is een standaard binnen het Semantic Web om data op een gestructureerde manier te koppelen.
Het geheugen van de AI wordt uitgebreid met zogenaamde temporele RDF-triple annotaties. Hiermee kan het systeem niet alleen vastleggen wat er is waargenomen, maar ook wanneer dit gebeurde. De modelarchitectuur combineert de codering van deze kennisgrafieken met specifieke 'value heads' die verantwoordelijk zijn voor drie hoofdtaken:
1. Het beantwoorden van vragen over de omgeving.
2. Het sturen van de exploratie van nieuwe gebieden.
3. Het beheren van het proces van vergeten.
Prestaties en traceerbaarheid
De effectiviteit van het systeem is getest op verschillende datasets. Bij een configuratie met een langetermijngeheugencapaciteit van 512 eenheden bleek de zogenaamde 'qualifier-aware StarE-GNN' configuratie de beste resultaten te behalen. Volgens de presteerde dit systeem superieur aan puur symbolische, puur neurale en andere neuro-symbolische systemen in de geteste scenario's.
Een cruciaal voordeel van deze methode is de stap-voor-stap traceerbaarheid. Omdat de beslissingen over het geheugenbeheer symbolisch worden uitgevoerd, blijft elke actie van de AI herleidbaar. Dit lost een fundamenteel probleem op in de huidige AI-ontwikkeling, waarbij de besluitvorming van complexe modellen vaak ondoorzichtig is.
Wetenschappelijke context
Het onderzoek, dat op 20 juli 2026 is ingediend bij de , positioneert zich op het snijvlak van kunstmatige intelligentie en de Semantic Web-technologie. Door gebruik te maken van grafiekgebaseerde symbolische operaties over een expliciete geheugentoestand, biedt het werk een robuust kader voor AI-agenten die moeten opereren in complexe, dynamische omgevingen.
De resultaten suggereren dat de integratie van gestructureerde kennisgrafieken met adaptieve neurale controllers een effectieve weg is naar AI-systemen die niet alleen slimmer zijn in hun geheugenbeheer, maar ook transparanter in hun werking. De volledige details van de implementatie en de gebruikte GNN-architecturen (Graph Neural Networks) zijn beschikbaar via de .