コンピュータに世界を理解させる方法を教えていると想像してみてください。長い間、科学者たちにはこの仕事のための、大きく異なる2つのツールキットがありました。1つ目は「ニューラルネットワーク」で、これは非常に観察眼の鋭い芸術家のようなものです。何百万もの画像やパターンを観察し、試行錯誤を通じて学習し、次に何が起こるかを予測することに驚異的な能力を発揮します。しかし、これは一種の「ブラックボックス」であり、なぜその予測に至ったのかという「理由」を真に理解しているわけではなく、「もしAが起これば、Bが起こらなければならない」といった厳格なルールに従うことも容易ではありません。2つ目のツールキットは「記号論理学」で、これは厳格な司書や弁護士のようなものです。ルールを完璧に遵守し、複雑な議論を論理的に進めることができますが、現実世界の乱雑なデータから自律的に学習することは苦手です。

現代科学における大きな問いは、「観察力のある芸術家」と「厳格な弁護士」の両方を兼ね備えたロボットを作れるか？ということです。私たちは、データから学習すると同時に、世界のルールをも理解できるシステムを求めています。これが「ニューロ・シンボリック（神経記号的）AI」という夢の形です。課題は、これら2つのツールが異なる言語を話していることです。一方は数値と重みの言葉を話し、もう一方は論理と記号の言葉を話します。この論文は、この隙間に踏み込み、特にソーシャルネットワークや道路地図のような、巨大な接続のウェブのように見えるデータを扱う際に、どうすれば両者を対話させられるかを探っています。

偉大なる翻訳者：数学と論理に握手を教える

この論文は、2つの強力なAI、すなわち「グラフニューラルネットワーク（GNN）」と「関係的ベイジアンネットワーク（RBN）」の間のユニバーサル・トランスレーター（万能翻訳機）として機能する、巧妙で新しいフレームワークを紹介しています。GNNを、群衆（グラフ）を観察して、友人関係や外見に基づいて誰がどのグループに属しているかを推測することに長けた探偵だと考えてください。しかし、この探偵は孤立して動いています。彼らは一人ひとりを独立して推測し、グループ全体として整合性が取れているかどうかをあまり気にしません。一方、RBNは、関係性のネットワーク全体を理解し、確率について推論できる熟練の戦略家のようです。ただし、通常は人間がすべてのルールを書き下ろす必要があります。

著者たち（オールボー大学とトレント大学のチーム）は、この両者の間に架け橋を築きました。彼らは、GNNが予測を行うために使用する数学は、実はRBNが確率を計算するために使用する数学と同じであることを示しました。それはまるで、芸術家が絵を描くために使う秘密のコードが、実は弁護士が契約書を書くために使う言語と同じであることに気づいたようなものです。このため、彼らは「芸術家」（GNN）を「弁護士」（RBN）の脳の中に直接組み込むことができるようになりました。

彼らは2つの方法でこの架け橋を構築しました。最初の方法は、芸術家の絵全体を法律文書へと一言一句正確に翻訳するようなものです。これは非常に緻密で正確ですが、計算に時間がかかる場合があります。2番目の方法は、弁護士に芸術家への直通電話を与えるようなものです。弁護士が芸術家に予測を求め、芸術家は独自の高速なソフトウェアを実行して答えを出します。どちらの方法も機能し、どちらの方法も、システムのスピードと、弁護士の推論能力を同時に活用することを可能にします。

「集団思考」問題の解決

この新しいシステムが機能することを証明するために、チームは2つの全く異なる問題に取り組みました。

最初の問題は、「集団分類（collective classification）」に関するものです。町の人々の政党を予測しようとしていると想像してください。標準的なGNNは、ある人物を見て、その人がスポーツ好きであることから「政党A」と推測するかもしれません。これは、全員に対して独立してこれを行います。しかし現実の世界では、人々はしばしば隣人と似たような行動をとります。もし親友が「政党B」であれば、あなたも「政党B」である可能性が高くなります。著者たちは、この新しいシステムを使用することで、GNNに全体像を見させるように強制できることを示しました。彼らは、「おい、もしあなたの隣人の多くが政党Bなら、あなたの予測もおそらくそちらに傾くべきだ」という「ルール」を追加したのです。

彼らはこれを、合成データ（特定のパターンに見えるように設計された作られたグラフ）と、ソーシャルネットワークからの実世界のデータの両方でテストしました。結果は目覚ましいものでした。データが乱雑であったり、隣人同士の信号が矛盾していたりする場合、標準的なGNNは混乱しました。しかし、MAP推論（グループ全体にとって最も可能性の高い単一のシナリオを見つけ出す高度な手法）を用いた新しい「ニューロ・シンボリック」バージョンは、それらの間違いを修正しました。いくつかのケースでは、精度を30%近く向上させました。それは、独立した推測者たちの集まりを、グループのダイナミクスを理解するスマートなチームへと変えたのです。

環境プランナー：利益と汚染のバランス

2番目の、そしておそらくよりエキサイティングな応用は、「多目的意思決定（multi-objective decision-making）」タスクでした。農家にどのような作物を育てるべきかを決定しようとしている都市計画家を想像してください。あなたには、互いに相反する2つの目標があります。すなわち、利益を上げること（利益）と、川を清潔に保つこと（低汚染）です。

通常、AIは単に何が「起こるか」を予測します。しかし、このシステムには「最高のバランスを得るためには何をすべきか？」と問うことができます。著者たちは、アイオワ州の実際の流域を用いたシナリオを設定しました。彼らはGNNを使用して、異なる作物が水質汚染にどのように影響するかを予測しました。次に、彼らの新しいフレームワークを使用して、「もし〜だったら」というシミュレーションを実行しました。彼らはシステムにこう尋ねました。「もし利益に70%、水質維持に30%の重点を置きたい場合、地域内のすべての農場におけるトウモロコシ、大豆、牧草の最適な組み合わせは何ですか？」

システムは単に推測したのではなく、最も確率の高い最善の解決策を計算しました。システムは、ある地域では、トウモロコシ（利益は高いが汚染を引き起こす）を栽培することは問題ないが、他の水辺に近い地域では、牧草（利益は低いがよりクリーン）に切り替えることが川の安全を守る唯一の方法であることを発見しました。彼らはさらに、ルールを緩和して「部分的な」作物（例えば、ある農場でトウモロコシ30%、大豆70%など）を許可すれば、システムはさらに優れた解決策をより速く見つけられることも示しました。これは、システムが単なる予測器ではなく、複雑な現実世界の計画のための意思決定支援ツールとして機能できることを証明しています。

課題：スピードか、賢さか

この論文は、トレードオフについても正直に述べています。この新しいシステムは非常に柔軟で賢い一方で、標準的なAIよりも遅くなる可能性があります。テストにおいて、実世界のデータセットで推論（「考える」プロセス）を実行するのに約70分かかりましたが、競合するシステムはわずか45秒でした。なぜでしょうか？ それは、新しいシステムがより重い作業を行っているからです。単に予測するだけでなく、すべてのルールに適合する絶対的な最善のシナリオを見つけるために、何百万もの可能性を探索しているのです。

著者たちは、このシステムは決して最も速い道具ではないかもしれないが、最も多才なツールであると示唆しています。このシステムは、他のAIが到底触れることのできない問題、例えば相反する目標のバランスを取ることや、複雑な集団行動を理解することなどを扱うことができます。彼らは、このフレームワークが、データから学習しながら世界の論理的ルールを尊重できる新しい種類のAIへの扉を開くものであり、ソーシャルネットワークの修正から持続可能な都市計画に至るまで、あらゆる事柄に対する強力なツールになる、と結論づけています。