🤖 machine learning

DeepLog: A Software Framework for Modular Neurosymbolic AI

DeepLog is een modulair neurosymbolisch AI-framework gebaseerd op PyTorch dat diverse logische en deep learning-paradigma's verenigt door automatisch hoogwaardige specificaties te compileren naar geoptimaliseerde arithmetische circuits, waardoor de drempel voor praktici wordt verlaagd en een gedeelde backend wordt geboden voor het ontwikkelen van nieuwe integratiestrategieën.

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

Gepubliceerd 2026-05-12

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

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

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je de wereld van Kunstmatige Intelligentie voor als een enorme keuken. Momenteel werken er twee zeer verschillende groepen koks in aparte ruimtes:

De Deep Learning-koks: Zij zijn experts in proeven en raden. Ze gebruiken enorme, complexe machines (neurale netwerken) om naar een foto van een kat te kijken en te zeggen: "Ik ben 90% zeker dat dit een kat is." Ze zijn uitstekend in patroonherkenning, maar begrijpen de regels niet echt.
De Symbolische Logica-koks: Zij zijn experts in het volgen van strikte recepten en regels. Ze weten dat "Als het snorharen heeft en miauwt, dan is het een kat." Ze zijn uitstekend in redeneren, maar verschrikkelijk in raden wanneer de data rommelig of onduidelijk is.

Lange tijd probeerden deze twee groepen samen te werken, maar ze spraken verschillende talen en gebruikten verschillende gereedschappen. Het resultaat was een chaotische "alfabetsoep" van verschillende frameworks, waarbij elk nieuw project zijn eigen keuken vanaf nul moest bouwen. Het was moeilijk om ze met elkaar te vergelijken, en ze pasten vaak niet goed bij elkaar.

Presentatie van DeepLog: De Universele Keukenadapter

Het artikel introduceert DeepLog, dat fungeert als een universele adapter of een "meestertolk" voor deze keuken. Het doel is om de Deep Learning-koks en de Symbolische Logica-koks naadloos samen te laten werken, zonder hen te dwingen hun favoriete gereedschappen op te geven.

Hieronder wordt uitgelegd hoe DeepLog werkt, met behulp van eenvoudige analogieën:

1. De "Plug-and-Play"-modules

Stel je Deep Learning-modellen voor als kant-en-klare apparaten (zoals een broodrooster of een blender). In het verleden, als je een logische regel aan een broodrooster wilde toevoegen, moest je de broodrooster volledig herbouwen.

DeepLog introduceert DeepLogModules. Dit zijn slimme adapters die je op elk apparaat kunt klikken. Ze veranderen niet hoe het apparaat werkt, maar ze voegen een "label" toe dat zegt: "Deze output is een waarschijnlijkheid," of "Deze input moet een specifieke regel volgen." Dankzij deze labels kan het systeem verschillende apparaten automatisch aan elkaar klikken. Als je een "katdetector" aansluit op een "logische regel", bouwt DeepLog automatisch de bedrading die nodig is om ze met elkaar te laten communiceren.

2. De "Universele Tolk" (De Alfabetsoep)

Het artikel vermeldt dat er tientallen verschillende manieren zijn waarop mensen logica en AI proberen te combineren (de "alfabetsoep"). Sommigen gebruiken vage wiskunde, anderen gebruiken waarschijnlijkheden, weer anderen gebruiken strikte waar/onwaar-logica.

DeepLog behandelt al deze verschillende talen als hoogwaardige instructies. Het is als een tolk die luistert naar een kok die Frans spreekt (DeepProbLog), een ander die Spaans spreekt (LTN) en een derde die Duits spreekt (NeurASP). DeepLog vertaalt ze allemaal naar hetzelfde onderliggende "recept" (een geoptimaliseerd rekenkundig circuit) dat de computer daadwerkelijk kan bereiden. Dit betekent dat onderzoekers één type logica voor een ander kunnen vervangen door simpelweg een instelling te wijzigen, zonder hun hele programma opnieuw te schrijven.

3. De "Snelweg voor Express" (GPU-versnelling)

Normaal gesproken draait, wanneer deze twee soorten AI samenwerken, het "logica"-gedeelte op een trage, ouderwetse processor (de CPU), terwijl het "raden"-gedeelte draait op een supersnelle videokaart (de GPU). Dit is alsof je een Ferrari (het neurale netwerk) vast hebt staan in het verkeer achter een tractor (de logische solver). Elke keer als ze data heen en weer moeten sturen, moet de Ferrari stoppen, wat een enorme vertraging veroorzaakt.

DeepLog verplaatst alles naar de snelle GPU. Het zet de logische regels om in een hoogwaardig circuit dat direct naast het neurale netwerk draait. Het artikel toont aan dat dit het systeem aanzienlijk sneller maakt – soms honderden keren sneller – dan eerdere methoden.

4. De "Fabriek" voor nieuwe ideeën

Voor de ontwikkelaars die deze systemen bouwen, fungeert DeepLog als een Lego-fabriek. In plaats van elke keer als ze een nieuw idee willen testen een nieuw huis te bouwen van ruwe klei, kunnen ze gebruikmaken van kant-en-klare bakstenen (primitieven) om nieuwe combinaties van logica en leren aan elkaar te klikken.

Bijvoorbeeld, als een onderzoeker een nieuw type "vage logica" wil testen (waarbij dingen "een beetje waar" kunnen zijn), kan hij gewoon de "vage logica-baksteen" in zijn fabrieksopstelling vervangen. De rest van het systeem blijft hetzelfde. Dit maakt het veel eenvoudiger om snel te experimenteren en verschillende ideeën met elkaar te vergelijken.

Samenvatting

Kortom, DeepLog is een softwareframework dat:

De chaotische "alfabetsoep" van verschillende AI-logicasystemen unificeert tot één standaardtaal.
De verbinding tussen neurale netwerken en logische regels automatiseert, zodat ontwikkelaars geen rommelige "lijmcode" hoeven te schrijven.
De snelheid verhoogt door alles op krachtige GPUs te draaien in plaats van op trage CPU's.
Het leven vergemakkelijkt voor zowel de mensen die deze tools gebruiken (door hen logica in standaard AI-werkstromen te laten aansluiten) als de mensen die nieuwe tools bouwen (door hen een gedeelde, hoogpresterende basis te geven).

Het artikel beweert dat dit onderzoekers in staat stelt het wiel niet opnieuw uit te vinden en zich te richten op het oplossen van echte problemen, terwijl het hele proces sneller en betrouwbaarder wordt.

Technische Samenvatting: DeepLog – Een Softwarekader voor Modulaire Neurosymbolische AI

Probleemstelling
Het huidige landschap van Neurosymbolische AI (NeSy) wordt gekenmerkt als een "alfabetsoep" van losgekoppelde paradigma's en kaders. Bestaande systemen richten zich doorgaans op specifieke semantische interpretaties (bijv. vaag versus probabilistisch), integratiestrategieën (bijv. verliesgebaseerde regularisatie versus architecturale integratie) of symbolische front-ends (bijv. predicatenlogica eerste orde versus logisch programmeren). Deze verschillen worden vaak behandeld als fundamenteel in plaats van als alternatieve instantiaties, wat resulteert in niet-interoperabele kaders. Bijgevolg ontbreekt het aan softwaretools die paradigma-overstijgend werken, wat systematische vergelijking en cumulatieve vooruitgang belemmert. Bovendien maken de meeste bestaande NeSy-systemen gebruik van monolithische ontwerpen die standaard workflows voor machine learning vervangen, en worden hun symbolische componenten vaak op de CPU geïmplementeerd, wat prestatieknelpunten veroorzaakt door problemen met gegevensoverdracht en synchronisatie met GPU-versnelde neurale modules.

Methodologie
DeepLog adresseert deze uitdagingen door te fungeren als een operationeel neurosymbolisch kader dat logica en deep learning verenigt binnen standaard PyTorch-workflows. Het is gebaseerd op de DeepLog abstracte neurosymbolische machine, die dient als een semantische intermediaire representatie die front-end symbolische talen scheidt van back-end uitvoeringsstrategieën.

De methodologie rust op drie kernmechanismen:

Symbolisch Geannoteerde Modules: DeepLog breidt standaard PyTorch-modules uit tot DeepLogModules. Deze modules worden aangevuld met symbolische annotaties op hun invoer en uitvoer, weergegeven als SymTensors (N-dimensionale tensors geassocieerd met symbolische expressies). Deze annotaties specificeren de semantische rol van elke tensor (bijv. Booleaans, waarschijnlijkheid, vaagheidsscore), waardoor automatische compositie, validatie en transformatie van heterogene componenten mogelijk wordt.
Modulaire Compositie en Compilatie: Het kader behandelt logica als samenvoegbare modules. Het ondersteunt sequentiële compositie (analoog aan torch.nn.Sequential) en automatische bedrading van gerichte acyclische grafieken op basis van symbolische afhankelijkheden. Een compiler-achtige fabriek vertaalt automatisch hoog-niveau specificaties (uitgedrukt in de DeepLog-taal) naar geoptimaliseerde arithmetische circuits. Dit stelt gebruikers in staat om tussen semantics te wisselen (bijv. probabilistische versus vaagheidspaden) door simpelweg het onderliggende logische pad in de DeepLog-bibliotheek te wijzigen.
GPU-versnelde Uitvoering: In tegenstelling tot veel systemen die symbolisch redeneren uitwikkelen naar de CPU, implementeert DeepLog zowel neurale als symbolische componenten op de GPU. Het maakt gebruik van het KLay-pakket voor efficiënte circuitevaluatie en gebruikt gespecialiseerde circuit-backends (bijv. sententiële beslissingsdiagrammen) om structurele eigenschappen zoals determinisme en decomposeerbaarheid af te dwingen.

Belangrijkste Bijdragen
Het artikel presenteert de implementatie van DeepLog met de volgende specifieke bijdragen:

Universele Back-end: Het fungeert als een universele back-end die een breed scala aan systemen in de neurosymbolische "alfabetsoep" kan emuleren, waardoor het mogelijk is om diverse benaderingen met minimale code te reconstrueren.
GPU-versnelling uit de doos: Het biedt hoogwaardige uitvoering voor zowel neurale als symbolische componenten, waardoor de knelpunt in gegevensoverdracht tussen CPU en GPU die gebruikelijk is in hybride systemen, wordt geëlimineerd.
Modulariteit: Het biedt automatische modulecompositie, waardoor complexe neurosymbolische modellen kunnen worden geconstrueerd uit heterogene componenten zonder kwetsbare "lijmcode".
Integratie: Het integreert naadloos met moderne ML-software (PyTorch), waardoor practitioners symbolisch redeneren selectief kunnen integreren in bestaande pipelines zonder gevestigde workflows te vervangen.

Resultaten
Het artikel levert empirisch bewijs van de prestatievoordelen van DeepLog, specifiek in de MNIST-Addition-taak. Vergelijkende resultaten (Tabel 1) tonen aan dat DeepLog met GPU-versnelling aanzienlijk beter presteert dan zowel CPU-gebaseerde DeepLog als het standaard DeepProbLog (DPL)-systeem.

Voor een enkele query met 1 cijfer behaalde DeepLog GPU een inferentietijd van $5.62 \times 10^{-7}$ seconden, vergeleken met $1.09 \times 10^{-5}$ seconden voor DeepLog CPU en $6.14 \times 10^{-3}$ seconden voor DPL CPU.
De prestatiekloof verbreedt naarmate de complexiteit toeneemt; voor 4 cijfers handhaaft DeepLog GPU een tijd van $5.40 \times 10^{-2}$ seconden, terwijl DeepLog CPU stijgt naar $1.96 \times 10^{-1}$ seconden, en DPL CPU faalt om de taak binnen de gerapporteerde tijdsperiode te voltooien.

Betekenis en Claims
De auteurs claimen dat DeepLog fungeert als een "universele back-end" die de drempel verlaagt voor practitioners in machine learning door logica te behandelen als samenvoegbare modules binnen vertrouwde PyTorch-omgevingen. Tegelijkertijd biedt het neurosymbolische ontwikkelaars een gedeelde, hoogwaardige basis voor het prototypen van nieuwe integratiestrategieën. Door essentiële componenten uit bestaande benaderingen te consolideren en primitieven te bieden voor nieuwe ontwerpen, beoogt DeepLog de vergelijking van verschillende paradigma's te faciliteren en cumulatieve vooruitgang op het gebied te versnellen. Het kader is ontworpen om niet-invasief te zijn, en ondersteunt zowel lichtgewicht integratie van symbolische beperkingen als de ontwikkeling van nieuwe talen en inferentieparadigma's op een verenigde architectuur.

Toekomstig Werk
De auteurs identificeren verschillende richtingen voor toekomstige ontwikkeling, met name gericht op de automatisering van agressievere optimalisaties op circuitniveau. Hoewel het huidige kader meerdere compilatiestrategieën ondersteunt, beoogt toekomstig werk systematische optimalisatietechnieken op te nemen, zoals structure-bewuste herschrijvingen en het fuseren van aggregatie en inferentie, om de handmatige engineeringinspanning verder te verminderen en de schaalbaarheid te verbeteren. Daarnaast plannen de auteurs om alternatieve inferentiemechanismen, zoals sampling, te onderzoeken, verder dan de huidige circuitgebaseerde aanpak.