Onderzoekers hebben SoftReason ontwikkeld, een innovatieve neuro-soft-symbolische architectuur die in staat is om deductieve redeneringen uit te voeren op basis van complexe, hoogdimensionale data zonder de gebruikelijke breuk tussen perceptie en logica.
In de wereld van kunstmatige intelligentie bestaat er vaak een strikte scheiding tussen systemen die beelden of geluiden waarnemen (perceptie) en systemen die logische conclusies trekken (deductie). Traditionele neuro-symbolische pijplijnen maken gebruik van een discrete interface, waarbij waarnemingen eerst worden omgezet in vaste symbolen voordat een logische redenering kan starten. Volgens een recent wetenschappelijk artikel op arxiv.org vormt dit een hindernis voor het leerproces, omdat de zogenaamde 'gradient gap' voorkomt dat het systeem end-to-end kan optimaliseren.
Het overbruggen van de 'gradient gap'
De nieuwe architectuur, genaamd SoftReason, is ontworpen om deze kloof te dichten. In plaats van harde symbolen gebruikt het systeem een volledig differentieerbare benadering. Dit betekent dat elke stap in het redeneerproces wiskundig vloeiend is, waardoor het model via backpropagation kan leren van fouten in de uiteindelijke conclusie om zo de initiële waarneming te verbeteren.
De kern van deze innovatie ligt in het representeren van de deductieve staat als een lokale 'soft interpretation tensor'. In plaats van te beslissen of een feit simpelweg 'waar' of 'onwaar' is, werkt SoftReason met probabilistische waarden over kandidaat-constanten en predicaten. Zo stelt de perceptie-module waarschijnlijkheden voor basisfeiten voor, terwijl informatie uit een Knowledge Graph (KG) wordt geïntegreerd als bewijsmateriaal met een hoge betrouwbaarheid.
Technologische innovaties in deductie
Een centraal onderdeel van SoftReason is de introductie van een leerbare, differentieerbare 'lift' van de immediate-consequence operator. Deze operator stelt het systeem in staat om op een flexibele manier om te gaan met predicate-definition embeddings en latente compositiekanalen.
Volgens de beschrijving in de maakt dit het mogelijk om:
* Soft body-predicate mengsels te vormen.
* Te aggregeren over alle mogelijke getuigen (witnesses) binnen de data.
* Query-geconditioneerde 'head facts' voor te stellen.
* De interpretatie bij te werken via een monotone probabilistische OR-operatie.
Door deze methodiek blijven alle keuzes — van de verankering van de query tot de updates van de deductieve afsluiting — differentieerbaar. Dit stelt het model in staat om complexe logische regels toe te passen op data die niet discreet is, maar bestaat uit hoogdimensionale input zoals pixels of sensordata.
Toepassing in Visual Question Answering
Om de effectiviteit van het framework aan te tonen, is SoftReason toegepast op Knowledge-aware Visual Question Answering (KVQA). Bij deze taak moet een AI-systeem niet alleen een afbeelding analyseren, maar ook externe kennis uit een Knowledge Graph gebruiken om een correct antwoord op een vraag te formuleren.
De resultaten tonen aan dat de architectuur succesvol end-to-end perceptual grounding ondersteunt. Dit houdt in dat het systeem direct kan leren hoe visuele kenmerken in een afbeelding gerelateerd zijn aan de logische entiteiten in een kennisbank. De integratie van KG-bewijslast en differentieerbare deductieve afsluiting in één enkel trainbaar model zorgt voor een synergie die in oudere, discrete systemen ontbrak.
Wetenschappelijke context
Het onderzoek naar SoftReason is gepresenteerd tijdens de 20e Conference on Neurosymbolic Learning and Reasoning en is opgenomen in de (vol 284). Het werk positioneert zich binnen het vakgebied van de artificiële intelligentie, specifiek gericht op de integratie van neurale netwerken met symbolische logica.
Door de overstap van discrete symbolen naar zachte, probabilistische representaties, biedt SoftReason een fundament voor AI-systemen die zowel intuïtief kunnen waarnemen als strikt logisch kunnen redeneren, zonder dat de informatie verloren gaat in de vertaling tussen deze twee modi. De volledige technische details en bewijsvoering zijn beschikbaar via de .