Paulius Skaisgiris氏らは2026年11月2日(現地時間)、arXiv上で公開した研究論文において、自然言語で与えられた論理パズルを解決する「神経記号論的フレームワーク」を発表した。大規模言語モデル (LLM) のセマンティック解析能力と、Exact Cover（正確被覆）のような記号論的推論システムの決定性および信頼性を組み合わせることで、従来の純粋なニューラルネットワークベースの手法や既存の神経記号論的方法を上回る性能を示した。
Chain-of-Thought (CoT) generationは、コード生成やデータ分析など複雑な推論タスクにおけるLLMの性能を大幅に向上させてきた。しかし、純粋なニューラルLLMは初歩的な論理的推論問題に対しては苦戦し、記号論的推論システムに特徴的な決定性、健全性、信頼性が不足していた。一方で、SAT solvingやExact Coverといった古典的な記号論的方法は正確性と完全性を保証するものの、問題を高次の形式的エンコーディングで表現する必要があり、自然言語入力への適用が制限されていた。
本フレームワークは、自然言語のゼブラパズルを入力として受け取り、LLMがエンティティと制約を構造化されたツール呼び出しに変換し、Exact Coverインスタンスを構築する。その後、記号論的ソルバーが解を計算し、無効な、または制約が不足・過剰なエンコーディングを反復的に修正するためのフィードバックを提供する。これはゼブラパズルの解の一意性を活用したものである。
複数のパラメータスケール、後訓練パラダイム、およびLLMファミリーにわたる包括的な実証評価が実施された。結果として、このハイブリッドアプローチがCoTプロンプティングを含む強力なプレーンニューラルベースラインや、最近の神経記号論的方法と比較して一貫して優れた性能を発揮することが示された。
参考: arXiv cs.AI (アーカイブ) — 2026年11月3日 03:58 (JST)
原文ハイライト"our hybrid approach consistently outperforms strong plain neural baselines, including CoT prompting"