現在の自然言語処理（NLP）やコンピュータビジョン（CV）の分野では、深層学習モデルが目覚ましい成果を上げています。しかし、これらのモデルはデータ効率の悪さや予測の根拠（説明性）が不透明であるという根本的な課題を抱えています。

単純に入力と出力をマッピングするだけのコネクショニスト（接続主義的）なアプローチでは、人間のような階層的で抽象的な計画能力を獲得することは困難です。この壁を乗り越えるための解決策として、ニューラルネットワークにソルバーや論理ルール、状態遷移スキーマといった「記号的コンポーネント」を統合するNeuro-Symbolic（NeSy）AIが注目を集めています。

NeSyは、データ主導の洞察と論理ベースの表現を組み合わせる技術です。記号的コンポーネントが、モデルにより複雑な振る舞いを強制する「正則化」として機能することで、システムの汎化性能と信頼性の向上を実現するアプローチとなっています。本記事では、このNeSy技術の全体像と、ブラックボックス時代における実務への適用ヒントを紐解いていきます。

1. Neuro-Symbolic AIの3つの主要アプローチ

ここでは、実務のタスクに応じたNeSyの設計フレームワークを大きく3つに分類して説明します。

1-1. Rule Mining（ルールの抽出）

入力データから人間が解釈可能なルールを抽出・学習し、モデル構築のコアとするアプローチです。データの中に潜む構造を、明示的なルールとして取り出したい場合に有効に機能します。

• 知識グラフや関係抽出への応用: テキストなどの既存のデータ構造から、エンティティ間の隠れた関係性を見つけ出す技術が含まれます。ここでは「Horn Clauses（ホーン節: 条件と結論を結びつける論理形式）」などの手法を用いてルールを抽出します。これにより、単なる確率的な予測ではなく、「なぜその関係が成り立つのか」という明確な根拠を持った推論が可能になります。
• 強化学習での状態遷移モデリング: 探索が難しい複雑なゲーム（例えば『Montezuma’s Revenge』など）において、「DFA（決定性有限オートマトン: 状態の遷移を表現するモデル）」を用いる手法が提案されています。エージェントの探索ログから状態遷移のルールを抽出し、それを基に複雑な環境での意思決定を最適化します。

1-2. Rule Enforcement（ルールの適用・制約）

事前に定義されたルールや論理を用いて、モデルの出力や予測プロセスに明示的な制約を課すアプローチです。ブラックボックスモデルの自由な出力に対して、正しい振る舞いを強制する「手綱」のような役割を果たします。

• 画像生成における忠実度向上: 画像生成タスクにおいて、テキストプロンプトの依存関係から「FOL（一階述語論理）」の制約を抽出し、Attentionマップの強度を制御する損失関数として組み込む手法が存在します。ルールを正則化として機能させることで、ユーザーの指示に対してより忠実な生成結果を得ることができます。
• 安全性の担保と推論の整合性: 「PL（確率的論理）」を用いて、強化学習エージェントの行動の安全性を保証する「シールド（Shielding）」という技術も実証されています。また、時間に関する常識推論タスクにおいて、複数の予測間の論理的整合性を担保する仕組みとしても活用されています。実環境でAIシステムを安全に運用するための、非常に重要な観点と言えます。

1-3. Program Synthesis（プログラム合成）

自然言語などを解析し、システムを制御するための構造化されたプログラムや「DSL（ドメイン固有言語）」を生成するアプローチです。先の2つよりもさらに表現力が高く、より複雑な操作を要求されるタスクに向いています。

• 外部の定理証明器への委譲: 自然言語による入力を「Semantic Parsing（意味解析）」技術によって一階述語論理の形式に変換し、外部の定理証明器（Prover9など）に推論処理を委譲する手法が代表的です。ニューラルネットワークが苦手とする、厳密な論理的推論の堅牢性を大幅に高めることができます。
• 複雑な推論タスクへの適用: 純粋なルールの適用だけでは扱いが難しい因果効果の推定や、コード生成を伴うような複雑な視覚推論タスク（特定の条件に基づく画像内の物体検索など）に対して高い表現力を発揮します。モデル自身が「問題を解くためのプログラム」を生成して実行することで、様々な課題に柔軟に対応できるのがこのアプローチの強みです。

2. ブラックボックスモデルとの比較とトレードオフ

ここまでNeSyの強力なアプローチを見てきましたが、この技術が既存の大規模なブラックボックスモデルをすべて置き換えるわけではありません。実務のシステムに適用する上で、両者の特性を正しく理解し、トレードオフを考慮することが重要です。

• 構造化タスクにおける強み: NeSyは、厳密な論理的制約が求められる環境や、特定のルールに基づいた構造化された推論タスクにおいて強力に機能します。出力の根拠が明確になるため、医療分野や自動運転といった、安全と信頼性が不可欠なプロジェクトへ導入する際に特に適しています。
• オープンドメインにおける精度の壁: 一方で、様々な種類の非構造化データを大規模に活用できるオープンドメインのタスクにおいては、純粋なブラックボックスモデルに精度面で劣るケースが報告されています。例えば、自然言語による事実検証（Claim Verification）や視覚的な質問応答（Visual Question-Answering）といったタスクでは、意味的に豊かなデータを大量に学習したブラックボックスモデルの方が、現状では高いパフォーマンスを示しています。
• 解釈性と汎化性能のジレンマ: NeSyのシステムを設計する際、最大の壁となるのが「解釈性と汎化性能のトレードオフ」です。推論のステップを細分化して各段階のスコアを明示するなど、モデルの説明性を高めようとするほど、データのノイズや構文の揺らぎ（例えば、文章中の副詞や前置詞の少しの変化など）に対する脆弱性が増してしまいます。

つまり、純粋なニューラルネットワークが持つ「柔軟な適応力」と、記号論理が持つ「厳密な明確さ」のバランスを、ターゲットとなる課題の目的に応じてどのように調整するかが、AI構築における成功の鍵となります。

3. 実務適用のヒントと将来展望

これまでの技術的な背景を踏まえ、実際にプロジェクトへNeSyを適用する際のヒントや、今後の展望について整理します。

• ハイステークス領域への導入: NeSyは、手術や遺伝子発見などの医療分野、自動運転、あるいは法律のテキスト分析といった、誤予測が重大なリスクをもたらす領域での活用に特に適しています。安全性や信頼性が厳しく問われるシステムに対して、論理という「手綱」を組み込むアプローチは、実務においても強力な武器となります。
• 特徴量の「半構造化データ」としての活用: システム全体を完全に記号推論へ置き換える必要はありません。今後の有望な選択肢として、Transformerやグラフニューラルネットワーク（GNN）などの強力なニューラルモデルが抽出した上位レベルの特徴を「半構造化データ」として扱い、そこにルールベースの解釈を組み込むアプローチが提唱されています。これにより、ブラックボックスモデルの高い表現力を活かしつつ、部分的な説明性をモデルに付与することが期待できます。
• 自社環境でのパフォーマンス検証: 実務へ導入する上で注意すべき点として、評価指標の一貫性に関する課題が挙げられます。現在のNeSyモデルは、適用するフレームワークや様々なタスクによって、パフォーマンスが大きく変動しやすいという特徴を持っています。そのため、論文などの既存のベンチマーク結果だけを鵜呑みにせず、構築する特定のアプリケーション環境において、どの程度精度や説明性が変化するのかを実際に検証しながら開発を進めることが非常に重要です。

4. PythonによるNeSyの実践

ここでは、Scallop を使用したNeSyの実装例を紹介します。例として、「2つのMNIST画像の数字を足し算するタスク」を扱います。このタスクの面白いところは、個々の画像の正解ラベル（どの数字か）を与えずに、2つの数字の「和」という結果（論理的制約）だけから、ニューラルネットワークが数字の認識方法を学習する点です。

4-1. Scallop とは？

Scallopは、論理プログラムの厳密さとディープラーニングの柔軟な学習能力を統合するための「微分可能な論理プログラミング言語」 です。

• 言語体系: Datalogに近い宣言的なシンタックスを採用し、事実と規則（ルール）を定義します。
• ニューロシンボリック機能: ニューラルネットワークの出力を確率的な「事実」として論理プログラムに取り込み、推論結果からネットワークへフィードバック（勾配）を返すことができます。
• 実装形態: 高速な実行を担うRust製のコアエンジンと、PyTorch等の既存AIエコシステムと連携するためのPythonインターフェース（scallopy）を提供します。
• 主な用途: 画像理解、複雑な推論を伴うQA、知識グラフを用いたタスクなど、記号的な知識とパターン認識の双方を必要とするニューロシンボリックAIの開発に適しています。

4-2. セットアップ方法

ここでは、Ubuntu 24.04 の環境に Scallop を導入する手順を紹介します。

# 必要なシステムパッケージのインストール
sudo apt install build-essential curl clang libssl-dev pkg-config python3-dev git

# Rust nightly ツールチェーンのインストール
curl --proto '=https' --tlsv1.2 -sSf https://sh.rustup.rs | sh -s -- -y --default-toolchain nightly
rustup default nightly

# ビルドツール Maturin のインストール
pip install "maturin>=1.5,<2.0"

# PyTorchのインストール
pip install torch torchvision --index-url https://download.pytorch.org/whl/cu126

# ScallopのPythonインターフェースをインストール
pip install "git+https://github.com/scallop-lang/scallop.git#egg=scallopy&subdirectory=etc/scallopy"

4-3. サンプルコードと解説

以下のコードは、画像認識を担うニューラルネットワークと、足し算のルールを持つScallopの論理エンジンを組み合わせた実装例です。

import torch
import torch.nn as nn
import torch.optim as optim
from torchvision import datasets, transforms
import scallopy  # ScallopのPythonバインディング

# 1. 知覚モジュール（通常のニューラルネットワーク）
class DigitNet(nn.Module):
    def __init__(self):
        super().__init__()
        self.conv = nn.Sequential(
            nn.Conv2d(1, 16, 3, padding=1), nn.ReLU(), nn.MaxPool2d(2),
            nn.Conv2d(16, 32, 3, padding=1), nn.ReLU(), nn.MaxPool2d(2),
            nn.Flatten(),
            nn.Linear(32 * 7 * 7, 128), nn.ReLU(),
            nn.Linear(128, 10),
            nn.Softmax(dim=1)
        )

    def forward(self, x):
        return self.conv(x)

# 2. 推論モジュール（ScallopによるNeSyモデル）
class MNISTSum2(nn.Module):
    def __init__(self):
        super().__init__()
        self.digit_net = DigitNet()

        # Scallopコンテキストの設定（確率的推論のモードを指定）
        self.ctx = scallopy.ScallopContext(provenance="diffaddmultprob")

        # 入力される事実（Relation）を定義：0〜9の数字の確率分布を受け取る
        self.ctx.add_relation("digit_a", (int,), input_mapping=list(range(10)))
        self.ctx.add_relation("digit_b", (int,), input_mapping=list(range(10)))

        # 論理ルールを定義：「aとbの和は、digit_aがaであり、かつdigit_bがbである時に成り立つ」
        self.ctx.add_rule("sum_res(a + b) :- digit_a(a), digit_b(b)")

        # 論理エンジンをPyTorchの推論層として生成（出力は0〜18の19クラス）
        self.reasoner = self.ctx.forward_function("sum_res", output_mapping=list(range(19)))

    def forward(self, img_a, img_b):
        # 画像から各数字の確率分布を予測（ブラックボックス）
        prob_a = self.digit_net(img_a)
        prob_b = self.digit_net(img_b)

        # 認識結果（確率分布）を論理エンジンへ渡し、和の確率分布を計算（ホワイトボックス）
        return self.reasoner(digit_a=prob_a, digit_b=prob_b)

# 3. 学習ループ
def main() -> None:
    # データ準備
    transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.1307,), (0.3081,))])
    mnist_train = datasets.MNIST('./data', train=True, download=True, transform=transform)
    train_loader = torch.utils.data.DataLoader(mnist_train, batch_size=32, shuffle=True)

    model = MNISTSum2()
    optimizer = optim.Adam(model.parameters(), lr=0.001)
    criterion = nn.CrossEntropyLoss()

    for epoch in range(1, 3):
        for batch_idx, (imgs, labels) in enumerate(train_loader):
            # 2枚1組のデータを作成（32バッチを16バッチのペアに分割）
            img_a, img_b = imgs[:16], imgs[16:]
            label_a, label_b = labels[:16], labels[16:]

            # 正解ラベルとして「2つの数字の和（0〜18）」のみを用意する
            target_sum = label_a + label_b  

            optimizer.zero_grad()
            output = model(img_a, img_b)

            # Lossの計算には「和」の誤差のみを使用
            loss = criterion(output, target_sum)
            loss.backward()
            optimizer.step()

            if batch_idx % 100 == 0:
                print(f"Epoch {epoch} [{batch_idx*32}/60000] Loss: {loss.item():.4f}")

if __name__ == "__main__":
    main()

コードのポイント解説

このコードの核となるのは、ニューラルネットワーク（DigitNet）と論理推論エンジン（Scallop）のシームレスな統合です。

1. 知覚モジュール（DigitNet）:
   画像を入力として受け取り、それが0から9のどの数字であるかの確率分布（Softmax出力）を返します。ここでは典型的なCNN構造を採用しています。
2. 推論モジュール（MNISTSum2）:
   ここでScallopが登場します。add_relationでニューラルネットワークからの確率分布を受け取る準備をし、add_ruleで「足し算のルール」を明示的に記述しています。
   sum_res(a + b) :- digit_a(a), digit_b(b) という1行のコードは、「画像Aの数字が a であり、画像Bの数字が b であるならば、その和は a + b である」という強い事前知識（ルール）をモデルに与えています。
3. 弱教師あり学習（Weak Supervision）による学習の魔法:
   main関数の学習ループに注目してください。モデルに与えられている正解ラベルは、個別の画像の数字（label_aやlabel_b）ではなく、「2つの画像の数字の和（target_sum）」だけです。
   しかし、誤差逆伝播（loss.backward()）を実行すると、誤差はScallopの論理エンジンを遡り（微分可能な論理推論）、ニューラルネットワーク（DigitNet）まで伝わります。結果として、「合計値が合うようにするには、それぞれの画像が何の数字であるべきか」をモデルが自律的に学習していくのです。

以上のように、明示的なルール（足し算の法則）をモデルに組み込むことで、すべての正解データを用意しなくても、論理的な制約をヒントにブラックボックスモデル（CNN）の学習を正しく導くことができるのが、Neuro-Symbolic AIの強力な特徴です。

おわりに

Neuro-Symbolic（NeSy）AIは、現在のシステム開発において私たちが直面している「予測性能」と「説明性」のギャップを埋めるための、非常に現実的な選択肢です。

これまでの開発で実感されているかもしれませんが、今後のAI開発では、AI自身が生成した合成データによるバイアスの増幅や、学習データ自体の品質低下が大きな懸念材料となります。そのような未来において、大量の学習データに過度に依存することなく、明示的な論理と推論を活用するNeSyのアプローチは、現代のモデルが抱える高次元の課題（次元の呪い）を克服する有力なパラダイムとなるでしょう。

ブラックボックスモデルの豊かな表現力と、記号論理の厳密な確実性をどのように融合させていくか。この問いに向き合いながらシステム設計を進めることが、次世代の信頼できるAIを構築するための第一歩となります。

More Information

• arXiv:2603.03177, Giovanni Pio Delvecchio, Lorenzo Molfetta, Gianluca Moro, 「Neuro-Symbolic Artificial Intelligence: A Task-Directed Survey in the Black-Box Models Era」, https://arxiv.org/abs/2603.03177