Scallop, un lenguaje de programación neuro-simbólico

• Introducción a Scallop

  • Scallop es un lenguaje declarativo diseñado para respaldar un razonamiento simbólico rico en aplicaciones de IA.
  • Está basado en Datalog y es un lenguaje de consultas basado en reglas lógicas para bases de datos relacionales.

• Solver

  • Scallop es un solver de Datalog escalable que admite modos de razonamiento discreto, probabilístico y diferenciable.
  • Los modos pueden configurarse según las necesidades de diversas aplicaciones de IA.

• Framework

  • Scallop ofrece bindings para soportar módulos de razonamiento lógico dentro de programas en Python.
  • Puede integrarse profundamente con pipelines de aprendizaje automático de PyTorch.

• Diversas áreas de aplicación

  • Scallop puede usarse para desarrollar diversas aplicaciones que incorporan razonamiento simbólico en visión y procesamiento de lenguaje natural (NLP).
  • Mediante reglas lógicas, se pueden especificar componentes de razonamiento e integrarlos profundamente con modelos de aprendizaje automático como redes neuronales convolucionales y transformers.

• CLEVR, lenguaje composicional y razonamiento visual básico

  • Este trabajo consiste en responder preguntas como "¿Cuántos objetos están coloreados de azul?" mediante razonamiento sobre objetos 3D simples en una imagen dada.
  • Con Scallop, se utilizan componentes neuronales que generan representaciones simbólicas de la imagen y consultas programadas que expresan la pregunta.
  • Los componentes de razonamiento especifican diversas operaciones para seleccionar, comparar y contar objetos con atributos determinados.

• Pathfinder, razonamiento de conectividad de largo alcance

  • En esta tarea se recibe una imagen en blanco y negro que contiene dos puntos y una línea discontinua.
  • El objetivo es determinar si los dos puntos están conectados por la línea discontinua.
  • Con Scallop, esta tarea puede programarse en unas pocas líneas de código mediante una arquitectura neuronal simple y reglas lógicas, mostrando un rendimiento superior al de transformers de última generación.

• Evaluación de expresiones matemáticas escritas a mano

  • En esta tarea se recibe una secuencia de símbolos escritos a mano que incluye dígitos del 0 al 9 y operaciones aritméticas simples.
  • El objetivo es reconocer la expresión y evaluar su resultado.
  • Con Scallop, se puede escribir un parser completo de gramática libre de contexto capaz de analizar entradas probabilísticas.
  • Al entrenarse junto con un modelo neuronal, encuentra automáticamente la expresión más probable y devuelve el resultado evaluado.