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.