Neural als Prädikat

Das Integrationspattern „Neural als Prädikat” kombiniert symbolische und neuronale KI auf die folgende Weise: ein neuronales Netz übernimmt im logischen Programm die Rolle eines gelernten Prädikats. Wo ein klassisches Logikprogramm ein Prädikat als handgeschriebene Regel definieren würde, definiert dieses Pattern es durch eine trainierte Funktion, deren Ausgabe in den logischen Inferenzprozess eingeht.

Vertreter sind insbesondere DeepProbLog (Manhaeve, Dumančić, Kimmig, Demeester und De Raedt, KU Leuven, NeurIPS 2018), das neuronale Prädikate in das probabilistische Logikprogramm ProbLog integriert, und NeurASP (Yang, Ishay und Lee, Arizona State University, IJCAI 2020), das den gleichen Ansatz für Answer-Set Programming durchführt. DeepProbLog kompiliert das Programm in arithmetische Schaltkreise, was effiziente Gradienten ermöglicht; das System benötigt typischerweise nur hunderte statt zehntausende Trainingsbeispiele.

Personseinsontologisch ist dieses Pattern ein Spezialfall der neuro-symbolischen KI und teilt damit deren Werkzeug-Bestimmung. Weder die symbolische noch die neuronale Schicht trägt originäre Intentionalität — die Symbole bedeuten, was eine Person ihnen zugewiesen hat; die gelernten Gewichte sind Verteilungen über Trainingsdaten.

Ontologische Einordnung: Oberbegriff: Neuro-symbolische KI.

Methodische Pointe

Das Pattern ist methodisch interessant, weil es die Datenintensität neuronaler Systeme dramatisch reduziert: das logische Programm liefert die Struktur, die das neuronale Netz nicht aus Daten lernen muss. Damit wird der Lernprozess von einer Tabula-rasa-Verallgemeinerung zu einer strukturierten Erweiterung vorgegebener Wissenslandschaften.

Das ist nicht trivial: viele praktische Anwendungen scheitern nicht an der Modellgröße, sondern an der Verfügbarkeit qualitativ guter Trainingsdaten. Die Verschiebung von „mehr Daten” zu „mehr Struktur” ist die zentrale architektonische Wette der frühen 2020er Jahre der neuro-symbolischen Forschung.

Quellenangaben: Recherchestand 7. Juni 2026 (Dossier Neuro-symbolische KI — weltweite Recherche).

Weitere Quellen:

• Manhaeve, Robin, Dumančić, Sebastijan, Kimmig, Angelika, Demeester, Thomas & De Raedt, Luc (2018): DeepProbLog. Neural Probabilistic Logic Programming. Advances in Neural Information Processing Systems 31, S. 3753–3763.
• Yang, Zhun, Ishay, Adam & Lee, Joohyung (2020): NeurASP. Embracing Neural Networks into Answer Set Programming. Proceedings of the Twenty-Ninth International Joint Conference on Artificial Intelligence (IJCAI), Yokohama, S. 1755–1762.
• Marra, Giuseppe, Dumančić, Sebastijan, Manhaeve, Robin & De Raedt, Luc (2024): From Statistical Relational to Neurosymbolic Artificial Intelligence. A Survey. Artificial Intelligence Vol. 328, Art. 104062 (arXiv-Preprint 2108.11451, August 2021).

Siehe auch

• Neuro-symbolische KI
• Symbolische KI
• Neuronale KI
• Ontologie als Constraint
• Wissensgraph-Retrieval als Grundlage
• Abgeleitete Intentionalität

Generiert via Abfrage aus der Personsein-Ontologie.