🤖 machine learning

DeepLog: A Software Framework for Modular Neurosymbolic AI

DeepLog est un cadre d'IA neurosymbolique modulaire construit sur PyTorch qui unifie divers paradigmes de logique et d'apprentissage profond en compilant automatiquement des spécifications de haut niveau en circuits arithmétiques optimisés, réduisant ainsi la barrière pour les praticiens et fournissant un backend partagé pour le développement de nouvelles stratégies d'intégration.

Auteurs originaux : Robin Manhaeve, Stefano Colamonaco, Vincent Derkinderen, Rik Adriaensen, Lucas Van Praet, Luc De Raedt, Giuseppe Marra

Publié 2026-05-12

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Robin Manhaeve, Stefano Colamonaco, Vincent Derkinderen, Rik Adriaensen, Lucas Van Praet, Luc De Raedt, Giuseppe Marra

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez le monde de l'Intelligence Artificielle comme une immense cuisine. Actuellement, deux groupes de chefs très différents travaillent dans des pièces séparées :

Les Chefs du Deep Learning : Ce sont des experts du goût et de la devinette. Ils utilisent d'énormes machines complexes (réseaux de neurones) pour regarder une photo d'un chat et dire : « Je suis sûr à 90 % que c'est un chat. » Ils excellent dans la reconnaissance de motifs, mais ne comprennent pas vraiment les règles.
Les Chefs de la Logique Symbolique : Ce sont des experts du suivi de recettes et de règles strictes. Ils savent que « Si cela a des moustaches et miaule, c'est un chat. » Ils excellent dans le raisonnement, mais sont terribles pour deviner lorsque les données sont désordonnées ou floues.

Pendant longtemps, ces deux groupes ont essayé de travailler ensemble, mais ils parlaient des langues différentes et utilisaient des outils distincts. Le résultat était une « soupe de lettres » chaotique de différents cadres où chaque nouveau projet devait reconstruire sa propre cuisine depuis zéro. Il était difficile de les comparer, et ils s'adaptaient souvent mal les uns aux autres.

Voici DeepLog : L'Adaptateur Universel de Cuisine

L'article présente DeepLog, qui agit comme un adaptateur universel ou un « traducteur maître » pour cette cuisine. Son objectif est de permettre aux chefs du Deep Learning et aux chefs de la Logique Symbolique de travailler ensemble de manière transparente, sans les obliger à abandonner leurs outils préférés.

Voici comment DeepLog fonctionne, en utilisant des analogies simples :

1. Les Modules « Plug-and-Play »

Imaginez les modèles de Deep Learning comme des appareils électroménagers préfabriqués (comme un grille-pain ou un mixeur). Par le passé, si vous vouliez ajouter une règle logique à un grille-pain, vous deviez reconstruire entièrement le grille-pain.

DeepLog introduit les DeepLogModules. Ce sont comme des adaptateurs intelligents que vous pouvez clipser sur n'importe quel appareil. Ils ne changent pas le fonctionnement de l'appareil, mais ils ajoutent une « étiquette » indiquant : « Cette sortie est une probabilité », ou « Cette entrée doit suivre une règle spécifique ». Grâce à ces étiquettes, le système peut automatiquement assembler différents appareils. Si vous branchez un « détecteur de chat » sur une « règle logique », DeepLog construit automatiquement le câblage nécessaire pour les faire communiquer entre eux.

2. Le « Traducteur Universel » (La Soupe de Lettres)

L'article mentionne qu'il existe des dizaines de façons différentes dont les gens tentent de combiner logique et IA (la « soupe de lettres »). Certains utilisent des mathématiques floues, d'autres des probabilités, d'autres encore une logique stricte vrai/faux.

DeepLog traite toutes ces langues différentes comme de simples instructions de haut niveau. C'est comme un traducteur qui écoute un chef parlant français (DeepProbLog), un autre parlant espagnol (LTN) et un troisième parlant allemand (NeurASP). DeepLog traduit tous ces langages dans la même « recette » sous-jacente (un circuit arithmétique optimisé) que l'ordinateur peut réellement cuisiner. Cela signifie que les chercheurs peuvent remplacer un type de logique par un autre simplement en changeant un paramètre, sans réécrire tout leur programme.

3. La « Voie Express à Grande Vitesse » (Accélération GPU)

Habituellement, lorsque ces deux types d'IA travaillent ensemble, la partie « logique » s'exécute sur un processeur lent et vieillot (le CPU), tandis que la partie « devinette » s'exécute sur une carte graphique ultra-rapide (le GPU). C'est comme avoir une Ferrari (le réseau de neurones) coincée dans les embouteillages derrière un tracteur (le solveur logique). Chaque fois qu'ils doivent échanger des données, la Ferrari doit s'arrêter, provoquant un ralentissement considérable.

DeepLog déplace tout sur le GPU rapide. Il transforme les règles logiques en un circuit haute vitesse qui s'exécute directement aux côtés du réseau de neurones. L'article montre que cela rend le système nettement plus rapide — parfois des centaines de fois plus rapide — que les méthodes précédentes.

4. L'« Usine » pour les Nouvelles Idées

Pour les développeurs qui construisent ces systèmes, DeepLog agit comme une usine Lego. Au lieu de construire une nouvelle maison à partir d'argile brute à chaque fois qu'ils veulent tester une nouvelle idée, ils peuvent utiliser des briques préfabriquées (primitives) pour assembler de nouvelles combinaisons de logique et d'apprentissage.

Par exemple, si un chercheur veut tester un nouveau type de « logique floue » (où les choses peuvent être « un peu vraies »), il peut simplement remplacer la « brique de logique floue » dans sa configuration d'usine. Le reste du système reste identique. Cela rend beaucoup plus facile d'expérimenter et de comparer rapidement différentes idées.

Résumé

En bref, DeepLog est un cadre logiciel qui :

Unifie la « soupe de lettres » chaotique des différents systèmes de logique IA en un langage standard.
Automatise la connexion entre les réseaux de neurones et les règles logiques, afin que les développeurs n'aient pas à écrire de « code de collage » désordonné.
Accélère les choses en exécutant tout sur des GPU puissants plutôt que sur des CPU lents.
Facilite la vie aussi bien aux personnes utilisant ces outils (en leur permettant de brancher la logique dans des flux de travail IA standard) qu'à celles qui construisent de nouveaux outils (en leur fournissant une base partagée et haute performance).

L'article affirme que cela permet aux chercheurs de cesser de réinventer la roue et de se concentrer sur la résolution de problèmes réels, tout en rendant l'ensemble du processus plus rapide et plus fiable.

Résumé Technique : DeepLog – Un Framework Logiciel pour l'IA Neurosymbolique Modulaire

Énoncé du Problème
Le paysage actuel de l'IA Neurosymbolique (NeSy) se caractérise comme une « soupe d'alphabets » de paradigmes et de frameworks déconnectés. Les systèmes existants se concentrent généralement sur des interprétations sémantiques spécifiques (par exemple, floue versus probabiliste), des stratégies d'intégration (par exemple, régularisation basée sur la perte versus incorporation architecturale) ou des interfaces symboliques (par exemple, logique du premier ordre versus programmation logique). Ces différences sont souvent traitées comme fondamentales plutôt que comme des instantiations alternatives, ce qui entraîne des frameworks non interopérables. Par conséquent, il manque des outils logiciels inter-paradigmes, ce qui entrave la comparaison systématique et les progrès cumulatifs. De plus, la plupart des systèmes NeSy existants adoptent des conceptions monolithiques qui remplacent les flux de travail d'apprentissage automatique standard, et leurs composants symboliques sont souvent implémentés sur le CPU, créant des goulots d'étranglement de performance dus aux problèmes de transfert de données et de synchronisation avec les modules neuronaux accélérés par GPU.

Méthodologie
DeepLog répond à ces défis en fonctionnant comme un framework neurosymbolique opérationnel qui unifie la logique et l'apprentissage profond au sein des flux de travail PyTorch standard. Il est basé sur la machine neurosymbolique abstraite DeepLog, qui sert de représentation intermédiaire sémantique séparant les langages symboliques de premier plan des stratégies d'exécution d'arrière-plan.

La méthodologie repose sur trois mécanismes techniques fondamentaux :

Modules Annotés Symboliquement : DeepLog étend les modules PyTorch standard en DeepLogModules. Ces modules sont augmentés d'annotations symboliques sur leurs entrées et sorties, représentées sous forme de SymTensors (tenseurs N-dimensionnels associés à des expressions symboliques). Ces annotations spécifient le rôle sémantique de chaque tenseur (par exemple, Booléen, probabilité, score flou), permettant la composition, la validation et la transformation automatiques de composants hétérogènes.
Composition et Compilation Modulaires : Le framework traite la logique comme des modules composables. Il prend en charge la composition séquentielle (analogue à torch.nn.Sequential) et le câblage automatique de graphes acycliques dirigés basé sur les dépendances symboliques. Une usine de type compilateur traduit automatiquement les spécifications de haut niveau (exprimées dans le langage DeepLog) en circuits arithmétiques optimisés. Cela permet aux utilisateurs de basculer entre les sémantiques (par exemple, pistes probabilistes versus floues) simplement en changeant la piste logique sous-jacente dans la bibliothèque DeepLog.
Exécution Accélérée par GPU : Contrairement à de nombreux systèmes qui déchargent le raisonnement symbolique vers le CPU, DeepLog implémente à la fois les composants neuronaux et symboliques sur le GPU. Il exploite le package KLay pour une évaluation efficace des circuits et utilise des backends de circuits spécialisés (par exemple, diagrammes de décision sentenciels) pour imposer des propriétés structurelles telles que le déterminisme et la décomposabilité.

Contributions Clés
L'article présente l'implémentation de DeepLog avec les contributions spécifiques suivantes :

Backend Universel : Il agit comme un backend universel capable d'émuler un large éventail de systèmes dans la « soupe d'alphabets » neurosymbolique, permettant la reconstruction d'approches diverses avec un minimum de code.
Accélération GPU Prête à l'Emploi : Il fournit une exécution haute performance pour les composants neuronaux et symboliques, éliminant le goulot d'étranglement du transfert de données CPU-GPU courant dans les systèmes hybrides.
Modularité : Il offre une composition automatique de modules, permettant la construction de modèles neurosymboliques complexes à partir de composants hétérogènes sans code de liaison fragile.
Intégration : Il s'intègre de manière transparente aux logiciels ML modernes (PyTorch), permettant aux praticiens d'intégrer sélectivement le raisonnement symbolique dans des pipelines existants sans remplacer les flux de travail établis.

Résultats
L'article fournit des preuves empiriques des avantages de performance de DeepLog, spécifiquement dans la tâche MNIST-Addition. Les résultats comparatifs (Tableau 1) démontrent que DeepLog avec accélération GPU surpasse significativement à la fois DeepLog basé sur CPU et le système DeepProbLog (DPL) standard.

Pour une requête unique impliquant 1 chiffre, DeepLog GPU a atteint un temps d'inférence de $5.62 \times 10^{-7}$ secondes, contre $1.09 \times 10^{-5}$ secondes pour DeepLog CPU et $6.14 \times 10^{-3}$ secondes pour DPL CPU.
L'écart de performance s'élargit à mesure que la complexité augmente ; pour 4 chiffres, DeepLog GPU maintient un temps de $5.40 \times 10^{-2}$ secondes, tandis que DeepLog CPU augmente à $1.96 \times 10^{-1}$ secondes, et DPL CPU échoue à compléter la tâche dans le délai rapporté.

Signification et Revendications
Les auteurs affirment que DeepLog sert de « backend universel » qui abaisse la barrière pour les praticiens de l'apprentissage automatique en traitant la logique comme des modules composables au sein d'environnements PyTorch familiers. Simultanément, il fournit aux développeurs neurosymboliques une base partagée et haute performance pour le prototypage de nouvelles stratégies d'intégration. En consolidant les composants essentiels des approches existantes et en offrant des primitives pour de nouvelles conceptions, DeepLog vise à faciliter la comparaison de différents paradigmes et à accélérer les progrès cumulatifs dans le domaine. Le framework est conçu pour être non intrusif, supportant à la fois l'intégration légère de contraintes symboliques et le développement de nouveaux langages et paradigmes d'inférence sur une architecture unifiée.

Travaux Futurs
Les auteurs identifient plusieurs directions pour le développement futur, se concentrant principalement sur l'automatisation d'optimisations plus agressives au niveau des circuits. Bien que le framework actuel prenne en charge plusieurs stratégies de compilation, les travaux futurs visent à incorporer des techniques d'optimisation systématiques, telles que des réécritures conscientes de la structure et la fusion de l'agrégation et de l'inférence, pour réduire davantage l'effort d'ingénierie manuel et améliorer l'évolutivité. De plus, les auteurs prévoient d'explorer des mécanismes d'inférence alternatifs, tels que l'échantillonnage, au-delà de l'approche basée sur les circuits actuelle.