마이애미 대학교 연구팀은 AOPL 기반의 규범 인식 자율 에이전트 행동 모드 변화 시뮬레이션 아키텍처를 개발했습니다. 시간에 민감한 상황에서의 위험 감수 행동 전환을 시뮬레이션하여 정책 입안자의 정책 개선 및 의사결정 지원을 목표로 합니다.

Katherine Wu와 Yanhong A. Liu가 개발한 LP-LM은 Prolog 기반의 논리 프로그래밍을 활용하여 지식베이스에 있는 사실만으로 질문에 답변하는 시스템으로, 기존 LLM의 환각 문제를 해결하고 높은 정확도와 효율성을 제공합니다.

본 기사는 ASP와 LLM을 결합한 혁신적인 시각적 그래프 질의응답 시스템에 대한 최신 연구 결과를 소개합니다. 교통 네트워크와 같은 그래프 이미지를 처리하는 새로운 VQA 문제에 대한 해결책을 제시하며, 73%의 정확도를 달성한 모듈식 신경기호 접근 방식을 자세히 설명합니다. 이 연구는 AI 시스템의 설명 가능성과 해석 가능성을 높이는 데 기여할 것으로 기대됩니다.

텍사스대학교 Paul Tarau 교수 연구팀은 LLM이 생성한 논리 프로그램을 이용한 추론 실행 방법을 제시했습니다. LLM의 지식을 논리 프로그램으로 추출하여 정합성을 검증하고 추론 능력을 확장하는 기술과, GPU 가속화를 통한 효율적인 실행 방법을 제시함으로써 LLM의 활용 가능성을 크게 확장했습니다. 하지만 프로그램의 정확성과 신뢰성을 확보하는 문제는 앞으로 해결해야 할 과제입니다.

Klagenfurt 대학 연구진은 ASP 기반 하이브리드 지식베이스를 이용하여 OWL2QL 메타 추론의 효율성을 높이는 새로운 방법을 제시했습니다. 이론적 기반 개선과 대체 도구 활용을 통해 기존 방식의 한계를 극복하고, 메타모델링의 실용성을 크게 향상시켰습니다.