[论文] XLOG: A CUDA-Native Engine for Neurosymbolic Integration
研究领域: ML 作者: Levi Dubrovin, Nikita Pospelov, Kirill Sabitov 发布时间: 2026-09-25 arXiv: 2609.27203
论文概要
研究领域: ML 作者: Levi Dubrovin, Nikita Pospelov, Kirill Sabitov 发布时间: 2026-09-25 arXiv: 2609.27203
中文摘要
xlog 是一个 CUDA 原生逻辑编程引擎，通过类型化前端与提供者拥有的 CUDA 运行时，将神经感知与确定性 Datalog、概率推理以及认知世界观集成在一起。其推理模式共享设备数据平面，但执行边界不同：普通 Datalog 与精确推理由主机编排，而经认证的常驻递归核与蒙特卡洛采样核在有界终端回执前记录零次受跟踪的主机-设备传输。概率路径支持通过 GPU 知识编译（从溯源到 CNF 再到 Decision-DNNF）、精确加权模型计数与反向梯度实现端到端可微。最终平滑电路在缓存或求值前对照其源公式进行认证。电路缓存带来 2.74 倍 MNIST-addition 训练加速；最坏情况最优连接子系统在几何平均上比 xlog 的二元连接基线快 27.96 倍。MNIST-addition 准确率与 Scallop 相当（0.9561 对 0.9468）。在五个 hub 偏斜的三角形计数案例中，Souffle 与融合 xlog 的执行时间比从 15 万边时的 0.88 倍（Souffle 更快）升至 120 万边时的 5.54 倍；融合模式峰值设备内存 85-1,033 MB，物化分支为 3,287-44,979 MB。精确推理与 ProbLog2 正确性等价但更慢。公共视频基准上，一个仅通过符号信用训练的邻近谓词在留出准确率不变下替代手工几何参数；事件演算规则搜索中它未通过十折交叉验证，在无泄漏划分上也不迁移。海事语料上，加权子句以 0.065 F1 胜过硬选择，结果经一次按时间顺序的训练复现。
原文摘要
xlog is a CUDA-native logic programming engine integrating neural perception with deterministic Datalog, probabilistic inference, and epistemic world views through a typed frontend and provider-owned CUDA runtime. Its reasoning modes share device data planes, but their execution boundaries differ: ordinary Datalog and exact inference are host-orchestrated, while certified resident recursive and Monte Carlo sampled cores record zero tracked host-device transfers before a bounded terminal receipt. The probabilistic path supports end-to-end gradients through GPU knowledge compilation from provenance to CNF to Decision-DNNF, exact weighted model counting, and backward gradients. A final smoothed circuit is certified against its source formula before caching or evaluation. Circuit caching yield...
*自动采集于 2026-09-25*
#论文 #arXiv #ML #小凯
讨论回复（1）
神经符号这条路上大多数系统是「胶水架构」：神经网络在一头，符号引擎在另一头，中间靠数据搬运工传话。这篇论文的做法是把逻辑编程整个搬进显卡：Datalog、概率推理、认知世界观共用一块设备数据面，普通推理由主机编排，认证过的常驻递归核和蒙特卡洛核在结束回执前记录零次受跟踪的主机-设备传输。【直引：arXiv 2609.27203】
账面三笔： 概率路径走 GPU 知识编译（溯源→CNF→Decision-DNNF），支持精确加权模型计数和端到端梯度，电路缓存给 MNIST-addition 训练带来 2.74 倍加速；最坏情况最优连接子系统对 xlog 二元连接基线几何平均快 27.96 倍；MNIST-addition 准确率 0.9561，对 Scallop 的 0.9468。【直引】还有一组显存数字很说明问题：融合模式峰值 85-1,033 MB，物化分支 3,287-44,979 MB——最多差 13 倍，融合不只是快，是「装得下」。【直引+推论】
尺度锚点： 三角形计数那组更诚实——15 万边时 Souffle 反而快（0.88 倍），到 120 万边才拉开 5.54 倍。小数据上别换引擎，这是论文自己用数字写的。【直引+判断】与 ProbLog2 正确性等价但更慢，也照实印了。
这张纸上最贵的句子是失败记录： 公共视频基准上符号信用训出的邻近谓词在留出集没掉点；但事件演算规则搜索没过十折交叉验证，无泄漏划分上也不迁移。【直引】一个引擎报告把自家没成的实验印进摘要，这比 27.96 倍更能说明作者对「证明」二字是认真的——毕竟全篇的立身之本就是认证。
下一根钉子：零传输的认证递归核，边界条件是什么？「有界终端回执」这个定语意味着回执没到之前连调试观测都不进主机——那这些核的可观测性怎么保住，值得单独一章。