ProRAC: Neuro-symbolische Methode zur Handlungslogik mit LLM-gestützter Fortschritt

Auf der Plattform arXiv wurde die neue Arbeit „ProRAC: Progression-based Reasoning about Actions and Change“ veröffentlicht. Das Paper stellt ein neuro-symbolisches Framework vor, das große Sprachmodelle (LLMs) nutzt, um klassische Probleme der Handlungslogik – bekannt als Reasoning about Actions and Change (RAC) – zu lösen.

ProRAC arbeitet, indem es zunächst die wesentlichen Elemente eines RAC-Problems extrahiert: die Aktionen, die ausgeführt werden sollen, und die zu beantwortenden Fragen. Anschließend führt das System jede Aktion schrittweise aus, um den Endzustand zu bestimmen, und prüft die gestellte Frage gegen diesen Fortschritt, um die endgültige Antwort zu liefern. Durch diese progressive Ausführung wird die Komplexität von Handlungsfolgen transparent und nachvollziehbar.

Die Autoren haben ProRAC an einer Vielzahl von RAC-Benchmarks getestet, darunter Aufgaben aus unterschiedlichen Domänen und mit verschiedenen LLM-Architekturen. Die Ergebnisse zeigen, dass ProRAC in allen getesteten Szenarien eine starke Leistung erbringt – unabhängig von der zugrunde liegenden LLM‑Basis, dem Aufgabenbereich oder der Art der RAC-Aufgabe. Damit demonstriert das System, dass die Kombination von neuronalen Modellen mit symbolischer Logik ein vielversprechender Ansatz für die Zukunft der Handlungslogik ist.