ニューロシンボリックAIは解釈可能性、堅牢性、信頼性を高め、少ないデータから学習できる次世代の認知AIシステムとして期待されている。本研究では、ニューロシンボリックAIワークロードの特性を詳細に分析し、その結果に基づいて、ソフトウェアとハードウェアの最適化手法を提案する。
本研究は、グラフ強化学習(GRL)フレームワークTANGOを提案し、シンボリックサブシステムを活用することで、6Gネットワークの無線リソース割当てにおける説明可能性と信頼性を向上させる。
VALは大規模言語モデルを活用し、自然言語対話を通じて人間から階層的なタスク知識を獲得する。獲得した知識は人間に解釈可能であり、新しいタスクの実行をサポートする。
低資源の健康コーチングダイアログを支援するためのニューロシンボリックゴール要約とテキストユニット-テキスト生成モデルを提案する。
高次元ホログラフィックベクトルの効率的な因子分解を実現するためのヘテロジニアス3D統合CIMアクセラレータを提案する。