Die neuro-symbolische Programmiersprache Scallop

• Einführung in Scallop

  • Scallop ist eine deklarative Sprache, die entwickelt wurde, um reichhaltiges symbolisches Schlussfolgern in AI-Anwendungen zu unterstützen.
  • Sie basiert auf Datalog, einer logikregelbasierten Abfragesprache für relationale Datenbanken.

• Solver

  • Scallop ist ein skalierbarer Datalog-Solver, der diskrete, probabilistische und differenzierbare Inferenzmodi unterstützt.
  • Die Modi können an die Anforderungen verschiedener AI-Anwendungen angepasst werden.

• Framework

  • Scallop bietet Bindings, die Module für logisches Schlussfolgern innerhalb von Python-Programmen unterstützen.
  • Es lässt sich tief in PyTorch-Machine-Learning-Pipelines integrieren.

• Vielfältige Anwendungsbereiche

  • Scallop kann zur Entwicklung verschiedenster Anwendungen verwendet werden, die symbolisches Schlussfolgern in Computer Vision und der natürlichen Sprachverarbeitung (NLP) einbeziehen.
  • Über logische Regeln lassen sich Inferenzkomponenten definieren und tief mit Machine-Learning-Modellen wie Convolutional Neural Networks und Transformern integrieren.

• CLEVR, kombinatorische Sprache und grundlegendes visuelles Schlussfolgern

  • Bei dieser Aufgabe geht es darum, Fragen wie „Wie viele Objekte sind blau eingefärbt?“ zu beantworten, indem auf Grundlage eines gegebenen Bildes über einfache 3D-Objekte geschlussfolgert wird.
  • Mit Scallop werden neuronale Komponenten verwendet, die symbolische Repräsentationen des Bildes erzeugen, sowie programmatische Abfragen, die die Frage ausdrücken.
  • Die Inferenzkomponenten definieren verschiedene Operationen zum Auswählen, Vergleichen und Zählen von Objekten mit bestimmten Eigenschaften.

• Pathfinder, Schlussfolgern über Langstrecken-Konnektivität

  • Bei dieser Aufgabe wird ein Schwarz-Weiß-Bild mit zwei Punkten und gestrichelten Linien gegeben.
  • Das Ziel ist zu bestimmen, ob die beiden Punkte durch gestrichelte Linien verbunden sind.
  • Mit Scallop lässt sich diese Aufgabe mit einer einfachen neuronalen Architektur und logischen Regeln in wenigen Zeilen Code programmieren und erzielt bessere Leistung als moderne Transformer.

• Auswertung handgeschriebener Formeln

  • Bei dieser Aufgabe wird eine Sequenz handgeschriebener Symbole bereitgestellt, die die Ziffern von 0 bis 9 sowie einfache arithmetische Operationen enthält.
  • Das Ziel ist es, die Formel zu erkennen und den Ausdruck auszuwerten.
  • Mit Scallop kann ein vollständiger kontextfreier Grammatik-Parser geschrieben werden, der probabilistische Eingaben verarbeiten kann.
  • Gemeinsam mit einem neuronalen Modell trainiert, findet es automatisch die wahrscheinlichste Formel und gibt das ausgewertete Ergebnis zurück.