神经符号 AI 可视化实验室
从深度学习到逻辑推理——把 2026 年神经网络的感知能力与符号推理的逻辑能力融合的核心机制以可交互 SVG 呈现。
01
神经符号融合范式
三种融合范式：神经→符号(神经感知→符号推理)、符号→神经(符号规则→神经执行)、深度融合(端到端可微推理)。点击按钮切换高亮范式。
神经→符号
感知模块输出符号
CNN识别→逻辑推理
符号→神经
规则引导神经执行
知识约束训练
深度融合
端到端可微推理
逻辑嵌入梯度
代表系统
DeepProbLog / LNN
可微逻辑网络
02
可微逻辑编程
逻辑规则 → 概率化 → 梯度可优化 → 端到端学习。观察逻辑规则如何被松弛为可微计算图。
03
知识图谱 + 图神经网络
实体嵌入 → 关系建模 → 图神经网络消息传递 → 推理预测。观察 GNN 在知识图谱上的多跳推理。
04
神经定理证明
前提编码 → 策略搜索 → 证明步骤生成 → 验证。观察证明树的自顶向下搜索过程。
05
因果推理
因果图(SCM) → do演算 → 反事实推理 → 因果发现。观察干预操作如何改变因果图。
06
神经程序合成
意图理解 → 程序骨架 → 神经搜索 → 符号验证 → 程序生成。观察从自然语言到可执行代码的合成流程。
07
认知架构 (ACT-R / SOAR)
感知 → 记忆(工作/长期) → 推理 → 决策 → 行动。神经符号认知模型的完整闭环。点击按钮高亮不同认知模块。
感知
视觉 / 听觉编码
神经网络感知
工作记忆
短期缓冲区
激活扩散
长期记忆
陈述性 + 程序性
符号化存储
决策行动
产生式规则
IF-THEN 推理
08
神经符号基准评测
CLUTRR / LogiQA / FOLIO / Math23k 基准上，纯神经 vs 神经符号方法的多维度对比。
CLUTRR
家庭关系多跳推理
需 2-4 跳逻辑
LogiQA
逻辑阅读理解
形式逻辑题
FOLIO
一阶逻辑推理
自然语言→逻辑
Math23k
数学应用题
方程求解