Neurale Architektur DSP löst Constraint-Reasoning mit differenzierbarer Symbolik

Neurale Netzwerke sind Meister im Mustererkennen, doch wenn es darum geht, komplexe logische oder physikalische Einschränkungen zu prüfen, stoßen sie oft an ihre Grenzen. Mit der neuen Differentiable Symbolic Planning (DSP)-Architektur wird das geändert: DSP kombiniert diskrete symbolische Logik mit vollständiger Differenzierbarkeit, sodass neuronale Modelle nicht nur Muster, sondern auch Regeln verstehen und anwenden können.

Im Kern von DSP steht ein Feasibility‑Channel (phi), der an jedem Knoten prüft, ob die aktuellen Konfigurationen die vorgegebenen Constraints erfüllen. Diese lokalen Signale werden zu einem globalen Feasibility‑Signal (Phi) zusammengeführt, wobei lernbare Regelgewichte die Aggregation steuern. Durch die Verwendung von sparsemax‑Attention kann DSP exakt entscheiden, welche Regeln aktiv sind – ohne Rauschen und mit sparsamen, diskreten Auswahlen.

Die Integration von DSP in den Universal Cognitive Kernel (UCK) verbindet Graph‑Attention mit iterativer Constraint‑Propagation. Auf drei anspruchsvollen Benchmarks – Graph‑Reachability, Boolean Satisfiability (SAT) und Plan‑Feasibility – erzielt UCK+DSP beeindruckende Ergebnisse: 97,4 % Genauigkeit bei Plan‑Feasibility unter 4‑facher Größen‑Generalisation (gegenüber 59,7 % bei abgelösten Baselines), 96,4 % bei SAT unter 2‑facher Generalisation und eine ausgewogene Leistung über positive und negative Klassen hinweg, wo herkömmliche neuronale Ansätze versagen.

Ablationsstudien zeigen, dass die globale phi‑Aggregation entscheidend ist: Ohne sie sinkt die Genauigkeit von 98 % auf 64 %. Interessanterweise entwickelt das gelernte phi‑Signal selbstständig interpretierbare Werte – etwa +18 für zulässige Fälle und –13 für unzulässige –, ohne dass diese Semantik explizit vorgegeben wurde.