Scallop, un langage de programmation neuro-symbolique

• Présentation de Scallop

  • Scallop est un langage déclaratif conçu pour prendre en charge un raisonnement symbolique riche dans les applications d'IA.
  • Basé sur Datalog, c'est un langage de requête fondé sur des règles logiques pour les bases de données relationnelles.

• Solver

  • Scallop est un solver Datalog extensible qui prend en charge des modes de raisonnement discret, probabiliste et différentiable.
  • Ces modes peuvent être configurés selon les besoins de diverses applications d'IA.

• Framework

  • Scallop fournit des bindings permettant d'utiliser des modules de raisonnement logique dans des programmes Python.
  • Il peut s'intégrer en profondeur dans des pipelines de machine learning PyTorch.

• Divers domaines d'application

  • Scallop peut être utilisé pour développer diverses applications intégrant un raisonnement symbolique en vision et en traitement du langage naturel (NLP).
  • Il permet de spécifier des composants de raisonnement au moyen de règles logiques et de les intégrer profondément à des modèles de machine learning tels que les réseaux neuronaux convolutifs et les transformers.

• CLEVR, langage compositionnel et raisonnement visuel de base

  • Cette tâche consiste à répondre à des questions telles que "Combien d'objets sont colorés en bleu ?" en raisonnant sur de simples objets 3D dans une image donnée.
  • Avec Scallop, on utilise des composants neuronaux qui génèrent une représentation symbolique de l'image ainsi que des requêtes programmées qui expriment la question.
  • Les composants de raisonnement spécifient diverses opérations pour sélectionner, comparer et compter des objets possédant des propriétés données.

• Pathfinder, raisonnement sur la connectivité à longue distance

  • Dans cette tâche, on reçoit une image en noir et blanc contenant deux points et des lignes en pointillés.
  • L'objectif est de déterminer si les deux points sont reliés par les lignes en pointillés.
  • Avec Scallop, cette tâche peut être programmée en quelques lignes de code grâce à une architecture neuronale simple et à des règles logiques, avec des performances supérieures à celles des transformers de pointe.

• Évaluation d'expressions manuscrites

  • Dans cette tâche, on reçoit une séquence de symboles manuscrits comprenant des chiffres de 0 à 9 et de simples opérations arithmétiques.
  • L'objectif est de reconnaître la formule et d'évaluer l'expression.
  • Avec Scallop, il est possible d'écrire un parseur complet de grammaire hors contexte capable d'analyser des entrées probabilistes.
  • En l'entraînant avec un modèle neuronal, il trouve automatiquement la formule la plus probable et renvoie le résultat évalué.