🤖 machine learning

DeepLog: A Software Framework for Modular Neurosymbolic AI

DeepLog é um framework de IA neurosimbólica modular construído sobre PyTorch que unifica paradigmas diversos de lógica e aprendizado profundo ao compilar automaticamente especificações de alto nível em circuitos aritméticos otimizados, reduzindo assim a barreira para profissionais e fornecendo um backend compartilhado para o desenvolvimento de novas estratégias de integração.

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

Publicado 2026-05-12

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

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

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine o mundo da Inteligência Artificial como uma cozinha imensa. Atualmente, há dois grupos muito diferentes de chefs trabalhando em salas separadas:

Os Chefs de Aprendizado Profundo: Eles são especialistas em provar e adivinhar. Usam máquinas enormes e complexas (redes neurais) para olhar uma foto de um gato e dizer: "Tenho 90% de certeza de que é um gato". São ótimos em reconhecimento de padrões, mas não entendem realmente regras.
Os Chefs de Lógica Simbólica: São especialistas em seguir receitas e regras estritas. Sabem que "Se tiver bigodes e miar, é um gato". São ótimos em raciocínio, mas péssimos em adivinhar quando os dados estão bagunçados ou pouco claros.

Por muito tempo, esses dois grupos tentaram trabalhar juntos, mas falavam idiomas diferentes e usavam ferramentas distintas. O resultado foi uma "sopa de letrinhas" caótica de diferentes frameworks, onde cada novo projeto tinha que construir sua própria cozinha do zero. Era difícil compará-los, e muitas vezes eles não se encaixavam bem.

Aí entra o DeepLog: O Adaptador Universal da Cozinha

O artigo apresenta o DeepLog, que atua como um adaptador universal ou um "tradutor mestre" para essa cozinha. Seu objetivo é permitir que os chefs de Aprendizado Profundo e os chefs de Lógica Simbólica trabalhem juntos de forma perfeita, sem forçá-los a abandonar suas ferramentas favoritas.

Veja como o DeepLog funciona, usando analogias simples:

1. Os Módulos "Plug-and-Play"

Pense nos modelos de Aprendizado Profundo como eletrodomésticos pré-fabricados (como uma torradeira ou um liquidificador). No passado, se você quisesse adicionar uma regra lógica a uma torradeira, teria que reconstruir completamente a torradeira.

O DeepLog introduz os DeepLogModules. Eles são como adaptadores inteligentes que você pode encaixar em qualquer eletrodoméstico. Eles não mudam como o eletrodoméstico funciona, mas adicionam um "rótulo" que diz: "Esta saída é uma probabilidade" ou "Esta entrada deve seguir uma regra específica". Por causa desses rótulos, o sistema pode conectar automaticamente diferentes eletrodomésticos. Se você conectar um "detector de gatos" a uma "regra lógica", o DeepLog constrói automaticamente a fiação necessária para fazê-los conversar entre si.

2. O "Tradutor Universal" (A Sopa de Letrinhas)

O artigo menciona que existem dezenas de maneiras diferentes pelas quais as pessoas tentam combinar lógica e IA (a "sopa de letrinhas"). Alguns usam matemática difusa, outros usam probabilidades, outros usam lógica estrita de verdadeiro/falso.

O DeepLog trata todas essas diferentes linguagens apenas como instruções de alto nível. É como um tradutor que ouve um chef falando francês (DeepProbLog), outro falando espanhol (LTN) e um terceiro falando alemão (NeurASP). O DeepLog traduz todos eles para a mesma "receita" subjacente (um circuito aritmético otimizado) que o computador realmente pode cozinhar. Isso significa que os pesquisadores podem trocar um tipo de lógica por outro apenas alterando uma configuração, sem reescrever todo o seu programa.

3. A "Pista Expressa de Alta Velocidade" (Aceleração por GPU)

Geralmente, quando esses dois tipos de IA trabalham juntos, a parte de "lógica" roda em um processador lento e antiquado (a CPU), enquanto a parte de "adivinhação" roda em uma placa de vídeo super-rápida (a GPU). É como ter um Ferrari (a rede neural) preso no trânsito atrás de um trator (o solucionador lógico). Toda vez que precisam trocar dados, o Ferrari tem que parar, causando uma enorme lentidão.

O DeepLog move tudo para a GPU rápida. Ele transforma as regras lógicas em um circuito de alta velocidade que roda lado a lado com a rede neural. O artigo mostra que isso torna o sistema significativamente mais rápido — às vezes centenas de vezes mais rápido — do que os métodos anteriores.

4. A "Fábrica" para Novas Ideias

Para os desenvolvedores que constroem esses sistemas, o DeepLog atua como uma fábrica de Lego. Em vez de construir uma nova casa a partir de argila crua toda vez que querem testar uma nova ideia, eles podem usar blocos pré-fabricados (primitivos) para montar novas combinações de lógica e aprendizado.

Por exemplo, se um pesquisador quiser testar um novo tipo de "lógica difusa" (onde as coisas podem ser "um pouco verdadeiras"), ele pode apenas trocar o "bloco de lógica difusa" em sua configuração de fábrica. O resto do sistema permanece o mesmo. Isso torna muito mais fácil experimentar e comparar diferentes ideias rapidamente.

Resumo

Em resumo, o DeepLog é um framework de software que:

Unifica a "sopa de letrinhas" caótica de diferentes sistemas de lógica de IA em uma única linguagem padrão.
Automatiza a conexão entre redes neurais e regras lógicas, para que os desenvolvedores não precisem escrever "código de cola" bagunçado.
Acelera as coisas executando tudo em GPUs poderosas em vez de CPUs lentas.
Facilita a vida tanto para as pessoas que usam essas ferramentas (permitindo que conectem lógica a fluxos de trabalho padrão de IA) quanto para as pessoas que constroem novas ferramentas (fornecendo uma base compartilhada e de alto desempenho).

O artigo afirma que isso permite que os pesquisadores parem de reinventar a roda e comecem a focar em resolver problemas reais, ao mesmo tempo em que tornam todo o processo mais rápido e confiável.

Resumo Técnico: DeepLog – Uma Estrutura de Software para IA Neurosimbólica Modular

Declaração do Problema
O cenário atual da IA Neurosimbólica (NeSy) caracteriza-se como uma "sopa de letras" de paradigmas e estruturas desconectados. Os sistemas existentes geralmente focam em interpretações semânticas específicas (por exemplo, difusa versus probabilística), estratégias de integração (por exemplo, regularização baseada em perda versus incorporação arquitetural) ou front-ends simbólicos (por exemplo, lógica de primeira ordem versus programação lógica). Essas diferenças são frequentemente tratadas como fundamentais em vez de instâncias alternativas, resultando em estruturas não interoperáveis. Consequentemente, há uma falta de ferramentas de software entre paradigmas, o que impede a comparação sistemática e o progresso cumulativo. Além disso, a maioria dos sistemas NeSy existentes emprega designs monolíticos que substituem fluxos de trabalho padrão de aprendizado de máquina, e seus componentes simbólicos são frequentemente implementados na CPU, criando gargalos de desempenho devido a problemas de transferência de dados e sincronização com módulos neurais acelerados por GPU.

Metodologia
O DeepLog aborda esses desafios funcionando como uma estrutura neurosimbólica operacional que unifica lógica e aprendizado profundo dentro dos fluxos de trabalho padrão do PyTorch. Baseia-se na máquina neurosimbólica abstrata DeepLog, que serve como uma representação intermediária semântica separando linguagens simbólicas de front-end de estratégias de execução de back-end.

A metodologia baseia-se em três mecanismos técnicos centrais:

Módulos Anotados Simbolicamente: O DeepLog estende os módulos padrão do PyTorch para DeepLogModules. Esses módulos são aumentados com anotações simbólicas em suas entradas e saídas, representadas como SymTensors (tensores N-dimensionais associados a expressões simbólicas). Essas anotações especificam o papel semântico de cada tensor (por exemplo, Booleano, probabilidade, pontuação difusa), permitindo composição automática, validação e transformação de componentes heterogêneos.
Composição e Compilação Modulares: A estrutura trata a lógica como módulos composáveis. Suporta composição sequencial (analogamente a torch.nn.Sequential) e conexão automática de grafos acíclicos direcionados com base em dependências simbólicas. Uma fábrica estilo compilador traduz automaticamente especificações de alto nível (expressas na linguagem DeepLog) em circuitos aritméticos otimizados. Isso permite que os usuários alternem entre semânticas (por exemplo, trilhas probabilísticas versus difusas) simplesmente alterando a trilha lógica subjacente na Biblioteca DeepLog.
Execução Acelerada por GPU: Ao contrário de muitos sistemas que descarregam o raciocínio simbólico para a CPU, o DeepLog implementa tanto componentes neurais quanto simbólicos na GPU. Aproveita o pacote KLay para avaliação eficiente de circuitos e utiliza backends de circuitos especializados (por exemplo, diagramas de decisão sentencial) para impor propriedades estruturais como determinismo e decomponibilidade.

Contribuições Principais
O artigo apresenta a implementação do DeepLog com as seguintes contribuições específicas:

Back-end Universal: Atua como um back-end universal capaz de emular uma ampla gama de sistemas na "sopa de letras" neurosimbólica, permitindo a reconstrução de abordagens diversas com código mínimo.
Aceleração por GPU Pronta para Uso: Fornece execução de alto desempenho para componentes neurais e simbólicos, eliminando o gargalo de transferência de dados CPU-GPU comum em sistemas híbridos.
Modularidade: Oferece composição automática de módulos, permitindo a construção de modelos neurosimbólicos complexos a partir de componentes heterogêneos sem código de colagem frágil.
Integração: Integra-se perfeitamente com software moderno de ML (PyTorch), permitindo que praticantes integrem seletivamente o raciocínio simbólico em pipelines existentes sem substituir fluxos de trabalho estabelecidos.

Resultados
O artigo fornece evidências empíricas das vantagens de desempenho do DeepLog, especificamente na tarefa MNIST-Adição. Resultados comparativos (Tabela 1) demonstram que o DeepLog com aceleração por GPU supera significativamente tanto o DeepLog baseado em CPU quanto o sistema padrão DeepProbLog (DPL).

Para uma única consulta envolvendo 1 dígito, o DeepLog GPU alcançou um tempo de inferência de $5.62 \times 10^{-7}$ segundos, comparado a $1.09 \times 10^{-5}$ segundos para o DeepLog CPU e $6.14 \times 10^{-3}$ segundos para o DPL CPU.
A lacuna de desempenho aumenta à medida que a complexidade cresce; para 4 dígitos, o DeepLog GPU mantém um tempo de $5.40 \times 10^{-2}$ segundos, enquanto o DeepLog CPU sobe para $1.96 \times 10^{-1}$ segundos, e o DPL CPU falha em completar a tarefa dentro do prazo relatado.

Significado e Alegações
Os autores afirmam que o DeepLog serve como um "back-end universal" que reduz a barreira para praticantes de aprendizado de máquina ao tratar a lógica como módulos composáveis dentro de ambientes PyTorch familiares. Simultaneamente, fornece aos desenvolvedores neurosimbólicos uma base compartilhada e de alto desempenho para prototipar novas estratégias de integração. Ao consolidar componentes essenciais de abordagens existentes e oferecer primitivas para novos designs, o DeepLog visa facilitar a comparação de diferentes paradigmas e acelerar o progresso cumulativo no campo. A estrutura é projetada para ser não intrusiva, suportando tanto a integração leve de restrições simbólicas quanto o desenvolvimento de novas linguagens e paradigmas de inferência em uma arquitetura unificada.

Trabalho Futuro
Os autores identificam várias direções para desenvolvimento futuro, focando principalmente na automação de otimizações mais agressivas ao nível de circuitos. Embora a estrutura atual suporte múltiplas estratégias de compilação, o trabalho futuro visa incorporar técnicas sistemáticas de otimização, como reescritas conscientes da estrutura e fusão de agregação e inferência, para reduzir ainda mais o esforço de engenharia manual e melhorar a escalabilidade. Adicionalmente, os autores planejam explorar mecanismos de inferência alternativos, como amostragem, além da abordagem atual baseada em circuitos.