🤖 machine learning

DeepLog: A Software Framework for Modular Neurosymbolic AI

DeepLog è un framework di IA neurosimbolica modulare basato su PyTorch che unifica paradigmi diversi di logica e deep learning compilando automaticamente specifiche di alto livello in circuiti aritmetici ottimizzati, riducendo così la barriera per i professionisti e fornendo un backend condiviso per lo sviluppo di nuove strategie di integrazione.

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

Pubblicato 2026-05-12

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

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

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina il mondo dell'Intelligenza Artificiale come una gigantesca cucina. Attualmente, ci sono due gruppi molto diversi di chef che lavorano in stanze separate:

Gli Chef del Deep Learning: Sono esperti nell'assaggiare e nell'indovinare. Usano macchine enormi e complesse (reti neurali) per guardare un'immagine di un gatto e dire: "Sono il 90% sicuro che sia un gatto". Sono ottimi nel riconoscimento di pattern, ma non comprendono davvero le regole.
Gli Chef della Logica Simbolica: Sono esperti nel seguire ricette e regole rigorose. Sanno che "Se ha i baffi e fa le fusa, è un gatto". Sono ottimi nel ragionamento, ma terribili nell'indovinare quando i dati sono disordinati o poco chiari.

Per molto tempo, questi due gruppi hanno cercato di lavorare insieme, ma parlavano lingue diverse e usavano strumenti diversi. Il risultato è stato un caotico "minestrone di lettere" di framework diversi, dove ogni nuovo progetto doveva costruire la propria cucina da zero. Era difficile confrontarli e spesso non si adattavano bene tra loro.

Ecco DeepLog: L'Adattatore Universale per la Cucina

Il documento introduce DeepLog, che funge da adattatore universale o "traduttore maestro" per questa cucina. Il suo obiettivo è permettere agli chef del Deep Learning e agli chef della Logica Simbolica di lavorare insieme senza soluzione di continuità, senza costringerli ad abbandonare i loro strumenti preferiti.

Ecco come funziona DeepLog, utilizzando semplici analogie:

1. I Moduli "Plug-and-Play"

Pensa ai modelli di Deep Learning come ad elettrodomestici già pronti (come un tostapane o un frullatore). In passato, se volevi aggiungere una regola logica a un tostapane, dovevi ricostruire completamente il tostapane.

DeepLog introduce i DeepLogModules. Questi sono come adattatori intelligenti che puoi agganciare a qualsiasi elettrodomestico. Non cambiano il modo in cui l'elettrodomestico funziona, ma aggiungono un'"etichetta" che dice: "Questo output è una probabilità" oppure "Questo input deve seguire una regola specifica". Grazie a queste etichette, il sistema può collegare automaticamente elettrodomestici diversi. Se colleghi un "rilevatore di gatti" a una "regola logica", DeepLog costruisce automaticamente il cablaggio necessario per farli comunicare tra loro.

2. Il "Traduttore Universale" (Il Minestrone di Lettere)

Il documento menziona che esistono dozzine di modi diversi in cui le persone cercano di combinare logica e IA (il "minestrone di lettere"). Alcuni usano matematica fuzzy, altri probabilità, altri ancora logica rigorosa vero/falso.

DeepLog tratta tutti questi linguaggi diversi come semplici istruzioni di alto livello. È come un traduttore che ascolta uno chef che parla francese (DeepProbLog), un altro che parla spagnolo (LTN) e un terzo che parla tedesco (NeurASP). DeepLog traduce tutti loro nella stessa "ricetta" sottostante (un circuito aritmetico ottimizzato) che il computer può effettivamente cucinare. Questo significa che i ricercatori possono sostituire un tipo di logica con un altro semplicemente cambiando un'impostazione, senza riscrivere l'intero programma.

3. La "Corsia Preferenziale ad Alta Velocità" (Accelerazione GPU)

Di solito, quando questi due tipi di IA lavorano insieme, la parte "logica" gira su un processore lento e vecchio stile (la CPU), mentre la parte "indovinello" gira su una scheda grafica super veloce (la GPU). È come avere una Ferrari (la rete neurale) bloccata nel traffico dietro un trattore (il risolutore logico). Ogni volta che devono scambiarsi dati, la Ferrari deve fermarsi, causando un enorme rallentamento.

DeepLog sposta tutto sulla veloce GPU. Trasforma le regole logiche in un circuito ad alta velocità che gira esattamente accanto alla rete neurale. Il documento dimostra che questo rende il sistema significativamente più veloce, a volte centinaia di volte più veloce, rispetto ai metodi precedenti.

4. La "Fabbrica" per le Nuove Idee

Per gli sviluppatori che costruiscono questi sistemi, DeepLog agisce come una fabbrica di Lego. Invece di costruire una nuova casa dall'argilla grezza ogni volta che vogliono testare una nuova idea, possono usare mattoncini già pronti (primitivi) per assemblare nuove combinazioni di logica e apprendimento.

Ad esempio, se un ricercatore vuole testare un nuovo tipo di "logica fuzzy" (dove le cose possono essere "abbastanza vere"), può semplicemente sostituire il "mattoncino della logica fuzzy" nella configurazione della sua fabbrica. Il resto del sistema rimane invariato. Questo rende molto più facile sperimentare e confrontare rapidamente idee diverse.

Riepilogo

In breve, DeepLog è un framework software che:

Unifica il caotico "minestrone di lettere" di diversi sistemi di logica AI in un unico linguaggio standard.
Automatizza la connessione tra reti neurali e regole logiche, in modo che gli sviluppatori non debbano scrivere disordinato "codice collante".
Accelera i processi eseguendo tutto su potenti GPU invece che su lenti CPU.
Rende la vita più facile sia alle persone che utilizzano questi strumenti (permettendo loro di inserire la logica nei flussi di lavoro AI standard) sia a coloro che costruiscono nuovi strumenti (fornendo loro una base condivisa ad alte prestazioni).

Il documento afferma che questo permette ai ricercatori di smettere di reinventare la ruota e iniziare a concentrarsi sulla risoluzione di problemi reali, rendendo l'intero processo più veloce e affidabile.

Riepilogo Tecnico: DeepLog – Un Framework Software per l'IA Neurosimbolica Modulare

Enunciato del Problema
L'attuale panorama dell'IA Neurosimbolica (NeSy) è caratterizzato come una "zuppa di lettere" di paradigmi e framework disconnessi. I sistemi esistenti si concentrano tipicamente su interpretazioni semantiche specifiche (ad esempio, fuzzy contro probabilistico), strategie di integrazione (ad esempio, regolarizzazione basata sulla perdita contro incorporamento architetturale) o front-end simbolici (ad esempio, logica del primo ordine contro programmazione logica). Queste differenze sono spesso trattate come fondamentali piuttosto che come istanze alternative, risultando in framework non interoperabili. Di conseguenza, manca una serie di strumenti software trasversali ai paradigmi, il che ostacola il confronto sistematico e il progresso cumulativo. Inoltre, la maggior parte dei sistemi NeSy esistenti adotta design monolitici che sostituiscono i flussi di lavoro standard di apprendimento automatico, e i loro componenti simbolici sono spesso implementati sulla CPU, creando colli di bottiglia nelle prestazioni a causa di problemi di trasferimento dati e sincronizzazione con i moduli neurali accelerati da GPU.

Metodologia
DeepLog affronta queste sfide funzionando come un framework neurosimbolico operativo che unifica logica e deep learning all'interno dei flussi di lavoro standard di PyTorch. Si basa sulla macchina neurosimbolica astratta DeepLog, che funge da rappresentazione intermedia semantica separando i linguaggi simbolici front-end dalle strategie di esecuzione back-end.

La metodologia si basa su tre meccanismi tecnici fondamentali:

Moduli Annotati Simbolicamente: DeepLog estende i moduli PyTorch standard in DeepLogModules. Questi moduli sono arricchiti con annotazioni simboliche sui loro input e output, rappresentati come SymTensors (tensori N-dimensionali associati a espressioni simboliche). Queste annotazioni specificano il ruolo semantico di ogni tensore (ad esempio, Booleano, probabilità, punteggio fuzzy), abilitando la composizione automatica, la validazione e la trasformazione di componenti eterogenei.
Composizione e Compilazione Modulare: Il framework tratta la logica come moduli componibili. Supporta la composizione sequenziale (analoga a torch.nn.Sequential) e il cablaggio automatico di grafi aciclici diretti basati sulle dipendenze simboliche. Una fabbrica di tipo compilatore traduce automaticamente specifiche di alto livello (espressi nel linguaggio DeepLog) in circuiti aritmetici ottimizzati. Ciò consente agli utenti di passare tra semantiche (ad esempio, tracce probabilistiche contro fuzzy) semplicemente cambiando la traccia logica sottostante nella Libreria DeepLog.
Esecuzione Accelerata da GPU: A differenza di molti sistemi che delegano il ragionamento simbolico alla CPU, DeepLog implementa sia i componenti neurali che quelli simbolici sulla GPU. Sfrutta il pacchetto KLay per una valutazione efficiente dei circuiti e utilizza backend di circuiti specializzati (ad esempio, diagrammi di decisione sentenziali) per imporre proprietà strutturali come determinismo e decomponibilità.

Contributi Chiave
Il documento presenta l'implementazione di DeepLog con i seguenti contributi specifici:

Backend Universale: Agisce come un backend universale in grado di emulare un'ampia gamma di sistemi nella "zuppa di lettere" neurosimbolica, consentendo la ricostruzione di approcci diversi con un codice minimo.
Accelerazione GPU Pronta all'Uso: Fornisce un'esecuzione ad alte prestazioni sia per i componenti neurali che per quelli simbolici, eliminando il collo di bottiglia nel trasferimento dati CPU-GPU comune nei sistemi ibridi.
Modularità: Offre una composizione automatica dei moduli, consentendo la costruzione di modelli neurosimbolici complessi a partire da componenti eterogenei senza codice di collegamento fragile.
Integrazione: Si integra perfettamente con il software ML moderno (PyTorch), permettendo ai praticanti di integrare selettivamente il ragionamento simbolico nelle pipeline esistenti senza sostituire i flussi di lavoro consolidati.

Risultati
Il documento fornisce prove empiriche dei vantaggi prestazionali di DeepLog, specificamente nel compito MNIST-Addition. I risultati comparativi (Tabella 1) dimostrano che DeepLog con accelerazione GPU supera significativamente sia DeepLog basato su CPU che il sistema standard DeepProbLog (DPL).

Per una singola query che coinvolge 1 cifra, DeepLog GPU ha raggiunto un tempo di inferenza di $5.62 \times 10^{-7}$ secondi, rispetto a $1.09 \times 10^{-5}$ secondi per DeepLog CPU e $6.14 \times 10^{-3}$ secondi per DPL CPU.
Il divario prestazionale si amplia all'aumentare della complessità; per 4 cifre, DeepLog GPU mantiene un tempo di $5.40 \times 10^{-2}$ secondi, mentre DeepLog CPU sale a $1.96 \times 10^{-1}$ secondi, e DPL CPU non riesce a completare il compito entro il lasso di tempo riportato.

Significato e Affermazioni
Gli autori affermano che DeepLog funge da "backend universale" che abbassa la barriera per i praticanti di machine learning trattando la logica come moduli componibili all'interno di ambienti PyTorch familiari. Contemporaneamente, fornisce agli sviluppatori neurosimbolici una base condivisa ad alte prestazioni per la prototipazione di nuove strategie di integrazione. Consolidando componenti essenziali dagli approcci esistenti e offrendo primitive per nuovi design, DeepLog mira a facilitare il confronto di diversi paradigmi e ad accelerare il progresso cumulativo nel campo. Il framework è progettato per essere non intrusivo, supportando sia l'integrazione leggera di vincoli simbolici che lo sviluppo di nuovi linguaggi e paradigmi di inferenza su un'architettura unificata.

Lavori Futuri
Gli autori identificano diverse direzioni per lo sviluppo futuro, concentrandosi principalmente sull'automazione di ottimizzazioni più aggressive a livello di circuito. Sebbene l'attuale framework supporti molteplici strategie di compilazione, il lavoro futuro mira a incorporare tecniche di ottimizzazione sistematiche, come riscritture consapevoli della struttura e fusione di aggregazione e inferenza, per ridurre ulteriormente lo sforzo di ingegneria manuale e migliorare la scalabilità. Inoltre, gli autori intendono esplorare meccanismi di inferenza alternativi, come il campionamento, oltre all'attuale approccio basato su circuiti.