Corso: Neuro-Symbolic Artificial Intelligence at Scale

L'approccio neurale-simbolico mira a combinare l'efficienza e la scalabilità delle reti neurali, che facilitano l'incorporazione di grandi set di dati nel processo di apprendimento, con l'interpretabilità dei metodi simbolici. Questi modelli per accrescere la conoscenza a larga scala possono trarre vantaggio dalla modellazione simbolica di ontologie, modelli matematici e fisici. Le tecniche di passaggio e integrazione da uno all’altro modello sono l’obiettivo del corso.

Obiettivi Formativi:

  • Conoscenza e comprensione delle problematiche relative ai sistemi di grandi dimensioni che usano AI e che sfruttano l’integrazione fra motori di inferenza simbolica e/o logica e reti neurali, tipicamente deep.

Contenuti:

  • Modelli neurosymbolici:
    • PINN (physically informed neural networks),
    • agent e multiagent systems with NN/RL, multi  agent Deep reinforced learning
    • Multi agents LLM 
    • differentiable inductive logic programming, ..
  • Modelli e tecniche per dedurre strutture simboliche e a grafo con NN. Incremento di conoscenza simbolica da processi NN, etc.
  • Modelli ad agenti che integrano NN in modelli symbolici, GNN-RL
  • Large Scale Machine learning Operation, MLOps, HPC, clusters of CPU/GPU
  • Access to the DISIT lab and NVIDIA clusters infrastructure with clusters of H100, 4090, 3090
  • see for project works: https://www.disit.org/node/5492

Applicazioni:

  • Sistemi di supporto alle decisioni, per operation e plan
  • Mobilità e trasporti, ambito legale, sviluppo codice, fluido-dynamic and PDE solutions, industrial.