論文の概要: REASON: Accelerating Probabilistic Logical Reasoning for Scalable Neuro-Symbolic Intelligence

• arxiv url: http://arxiv.org/abs/2601.20784v1
• Date: Wed, 28 Jan 2026 17:17:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-29 15:46:07.077003
• Title: REASON: Accelerating Probabilistic Logical Reasoning for Scalable Neuro-Symbolic Intelligence
• Title（参考訳）: REASON: スケーラブルニューロシンボリックインテリジェンスのための確率論的論理推論の高速化
• Authors: Zishen Wan, Che-Kai Liu, Jiayi Qian, Hanchen Yang, Arijit Raychowdhury, Tushar Krishna,
• Abstract要約: 本稿では、ニューロシンボリックAIにおける確率論的論理推論のための統合加速度フレームワークREASONを提案する。 REASONは、記号的および確率的モデルの共通構造をキャプチャする、統一された有向非巡回グラフ表現を導入している。 REASONは、プログラマブルインターフェースとマルチレベルパイプラインを通じてGPUストリーミングマルチプロセッサと密に統合されている。
• 参考スコア（独自算出の注目度）: 7.533896918107583
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neuro-symbolic AI systems integrate neural perception with symbolic reasoning to enable data-efficient, interpretable, and robust intelligence beyond purely neural models. Although this compositional paradigm has shown superior performance in domains such as reasoning, planning, and verification, its deployment remains challenging due to severe inefficiencies in symbolic and probabilistic inference. Through systematic analysis of representative neuro-symbolic workloads, we identify probabilistic logical reasoning as the inefficiency bottleneck, characterized by irregular control flow, low arithmetic intensity, uncoalesced memory accesses, and poor hardware utilization on CPUs and GPUs. This paper presents REASON, an integrated acceleration framework for probabilistic logical reasoning in neuro-symbolic AI. REASON introduces a unified directed acyclic graph representation that captures common structure across symbolic and probabilistic models, coupled with adaptive pruning and regularization. At the architecture level, REASON features a reconfigurable, tree-based processing fabric optimized for irregular traversal, symbolic deduction, and probabilistic aggregation. At the system level, REASON is tightly integrated with GPU streaming multiprocessors through a programmable interface and multi-level pipeline that efficiently orchestrates compositional execution. Evaluated across six neuro-symbolic workloads, REASON achieves 12-50x speedup and 310-681x energy efficiency over desktop and edge GPUs under TSMC 28 nm node. REASON enables real-time probabilistic logical reasoning, completing end-to-end tasks in 0.8 s with 6 mm2 area and 2.12 W power, demonstrating that targeted acceleration of probabilistic logical reasoning is critical for practical and scalable neuro-symbolic AI and positioning REASON as a foundational system architecture for next-generation cognitive intelligence.
• Abstract（参考訳）: ニューロシンボリックAIシステムは、純粋にニューラルモデルを超えたデータ効率、解釈可能、堅牢なインテリジェンスを可能にするために、ニューラルネットワークとシンボリック推論を統合する。 この構成パラダイムは、推論、計画、検証といった領域において優れた性能を示してきたが、その展開は象徴的および確率的推論における深刻な非効率のため、依然として困難である。 代表的ニューロシンボリックワークロードの体系的解析を通じて、確率論的論理的推論を非効率なボトルネックとして認識し、不規則な制御フロー、演算強度の低さ、非Coalescedメモリアクセス、CPUやGPU上でのハードウェア利用の低さを特徴とする。 本稿では、ニューロシンボリックAIにおける確率論的論理推論のための統合加速度フレームワークREASONを提案する。 REASONは、適応的なプルーニングと正規化と合わせて、記号的および確率的モデルの共通構造をキャプチャする、統一された有向非巡回グラフ表現を導入している。 アーキテクチャレベルでは、REASONは不規則なトラバーサル、象徴的推論、確率的集約に最適化された、再構成可能なツリーベースの処理ファブリックを備えている。 システムレベルでは、REASONはGPUストリーミングマルチプロセッサとプログラム可能なインターフェースと、構成実行を効率的にオーケストレーションするマルチレベルパイプラインを通じて密に統合される。 REASONは6つのニューロシンボリックワークロードで評価され、TSMC 28nmノード下のデスクトップおよびエッジGPU上で12-50倍のスピードアップと310-681倍のエネルギー効率を達成する。 REASONはリアルタイム確率的論理的推論を可能にし、0.8秒で6 mm2の領域と2.12Wのパワーでエンドツーエンドのタスクを完了し、確率的論理的推論の目標加速度が実用的でスケーラブルなニューロシンボリックAIにとって重要なことを示し、REASONを次世代認知知能の基盤システムアーキテクチャとして位置づける。

関連論文リスト

• DeepProofLog: Efficient Proving in Deep Stochastic Logic Programs [30.18197334181211]
  本稿では,論理プログラムに基づく新しいNeSyシステムであるDeepProofLogを紹介する。 DPrLは、すべての導出ステップをニューラルネットワークでパラメータ化し、証明システム上で効率的な神経誘導を可能にする。 標準的なNeSyベンチマークとナレッジグラフ推論タスクの実験により、DPrLが既存のNeSyシステムより優れていることを示す。
  論文  参考訳（メタデータ） (2025-11-11T18:58:03Z)
• FuncGNN: Learning Functional Semantics of Logic Circuits with Graph Neural Networks [0.0]
  And-Inverter Graph synthesiss (AIG) は、現代の回路におけるブール論理を表現するために広く採用されている。 マルチグラニュラリティトポロジカルパターンを抽出するために,ハイブリッド機能アグリゲーションを統合したFuncGNNを提案する。 FuncGNNは、それぞれ2.06%と18.71%の改善を実現し、トレーニング時間を約50.6%、GPUメモリ使用量を約32.8%削減した。
  論文  参考訳（メタデータ） (2025-06-07T13:04:07Z)
• Compositional Generalization Across Distributional Shifts with Sparse Tree Operations [77.5742801509364]
  我々は、微分可能木機械と呼ばれる統合されたニューロシンボリックアーキテクチャを導入する。 シンボル構造の疎ベクトル表現を用いることで,モデルの効率を大幅に向上する。 より一般的なseq2seq問題に制限されたtree2tree問題以外の適用を可能にする。
  論文  参考訳（メタデータ） (2024-12-18T17:20:19Z)
• Towards Efficient Neuro-Symbolic AI: From Workload Characterization to Hardware Architecture [22.274696991107206]
  ニューロシンボリックAIは、解釈可能性、堅牢性、信頼性を高めるニューラルネットワークとシンボリックアプローチを融合して、有望なパラダイムとして出現する。 最近のニューロシンボリックシステムは、推論と認知能力を備えた協調的な人間-AIシナリオにおいて大きな可能性を示している。 まず, ニューロシンボリックAIアルゴリズムを体系的に分類し, 実行時, メモリ, 計算演算子, 疎結合性, システム特性を実験的に評価し, 解析する。
  論文  参考訳（メタデータ） (2024-09-20T01:32:14Z)
• Temporal Spiking Neural Networks with Synaptic Delay for Graph Reasoning [91.29876772547348]
  スパイキングニューラルネットワーク(SNN)は、生物学的にインスパイアされたニューラルネットワークモデルとして研究されている。 本稿では,SNNがシナプス遅延と時間符号化とを併用すると,グラフ推論の実行(知識)に長けていることを明らかにする。
  論文  参考訳（メタデータ） (2024-05-27T05:53:30Z)
• The Role of Foundation Models in Neuro-Symbolic Learning and Reasoning [54.56905063752427]
  Neuro-Symbolic AI(NeSy)は、AIシステムの安全なデプロイを保証することを約束している。 ニューラルネットワークとシンボリックコンポーネントを順次トレーニングする既存のパイプラインは、広範なラベリングを必要とする。 新しいアーキテクチャであるNeSyGPTは、生データから象徴的特徴を抽出する視覚言語基盤モデルを微調整する。
  論文  参考訳（メタデータ） (2024-02-02T20:33:14Z)
• LOGICSEG: Parsing Visual Semantics with Neural Logic Learning and Reasoning [73.98142349171552]
  LOGICSEGは、神経誘導学習と論理推論をリッチデータとシンボリック知識の両方に統合する、全体論的視覚意味論である。 ファジィ論理に基づく連続的な緩和の間、論理式はデータとニューラルな計算グラフに基礎を置いており、論理によるネットワークトレーニングを可能にする。 これらの設計によりLOGICSEGは、既存のセグメンテーションモデルに容易に統合できる汎用的でコンパクトなニューラル論理マシンとなる。
  論文  参考訳（メタデータ） (2023-09-24T05:43:19Z)
• SLASH: Embracing Probabilistic Circuits into Neural Answer Set Programming [15.814914345000574]
  SLASH(Deep Probabilistic Language:DPPL)を紹介します。 SLASHのコアとなるのは、NPP(Neural-Probabilistic Predicates)と、応答セットプログラミングを通じて統合された論理プログラムである。 我々は,MNIST加算のベンチマークデータとDPPLの欠落データ予測や最先端性能のセット予測といった新しいタスクに基づいてSLASHを評価する。
  論文  参考訳（メタデータ） (2021-10-07T12:35:55Z)
• Mitigating Performance Saturation in Neural Marked Point Processes: Architectures and Loss Functions [50.674773358075015]
  本稿では,グラフ畳み込み層のみを利用するGCHPという単純なグラフベースのネットワーク構造を提案する。 我々は,GCHPがトレーニング時間を大幅に短縮し,時間間確率仮定による確率比損失がモデル性能を大幅に改善できることを示した。
  論文  参考訳（メタデータ） (2021-07-07T16:59:14Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。