REASON: Beschleunigung probabilistischer Logik für skalierbare Neuro‑Symbolik

Neuro‑symbolische KI‑Systeme verbinden neuronale Wahrnehmung mit symbolischem Denken, um Daten‑effiziente, interpretierbare und robuste Intelligenz zu ermöglichen. Trotz ihrer überlegenen Leistungen in Bereichen wie Logik, Planung und Verifikation bleiben die praktischen Anwendungen durch erhebliche Ineffizienzen in symbolischer und probabilistischer Inferenz eingeschränkt.

Durch eine systematische Analyse typischer neuro‑symbolischer Arbeitslasten hat das Forschungsteam die probabilistische logische Argumentation als Hauptengpass identifiziert. Diese Aufgabe zeichnet sich durch unregelmäßigen Kontrollfluss, geringe arithmetische Intensität, nicht zusammenhängende Speicherzugriffe und schlechte Hardwareauslastung auf CPUs und GPUs aus.

Die neue Plattform REASON adressiert diese Schwachstellen mit einem einheitlichen gerichteten azyklischen Graphen, der gemeinsame Strukturen in symbolischen und probabilistischen Modellen erfasst. Adaptive Pruning‑ und Regularisierungstechniken sowie ein baumbasiertes, rekonfigurierbares Verarbeitungssystem optimieren die Traversierung, symbolische Deduktion und probabilistische Aggregation.

In Tests mit sechs neuro‑symbolischen Workloads erzielt REASON ein Beschleunigungsfaktor von 12 bis 50‑fach und eine Energieeffizienzsteigerung von 310 bis 681‑fach im Vergleich zu Desktop‑ und Edge‑GPUs auf dem TSMC‑28‑nm‑Node. Diese Fortschritte ebnen den Weg für skalierbare, leistungsfähige neuro‑symbolische KI‑Anwendungen.