Zum Inhalt springen

InProSSA: Integration symbolischer und subsymbolischer KI

Das Sondierungsprojekt InProSSA untersucht, wie sich unterschiedliche Lösungsparadigmen der symbolischen und subsymbolischen KI in einer gemeinsamen Modellierungssprache zusammenführen lassen. Auf diese Weise kann man Problemstellungen unabhängig vom Lösungsansatz formulieren. Anschließend wählt das System automatisch die beste Lösungsmethode aus einem Pool vorhandener Methoden.

Herausforderungen bei der Entscheidungsfindung in der Industrie

Eine effektive Entscheidungsfindung in der Industrie erfordert die Optimierung komplexer Probleme, die an konkrete Ziele und Constraints angepasst werden müssen. Doch bei der Modellierung dieser diskreten Optimierungsprobleme treten Schwierigkeiten auf. So stellt sich etwa die Frage nach dem geeigneten Modellierungsparadigma – sei es gemischt-ganzzahlige Programmierung, Constraint-Programmierung oder heuristische Verfahren. Ebenso wichtig ist die Wahl des passenden Solvers wie Gurobi, IBM CP oder Google OR-Tools.

Zusätzlich entstehen Herausforderungen, wenn sich Geschäftsregeln ändern und Modelle angepasst werden müssen. Neue Randbedingungen beeinflussen oft sowohl die Lösbarkeit als auch die Laufzeit der Algorithmen. Symbolische Solver stoßen hier in industriellen Anwendungen häufig an Effizienz- und Skalierbarkeitsgrenzen. Daher braucht es einen flexiblen Ansatz, der die Problembeschreibung von der Lösungsmethode entkoppelt und so eine breitere Einsetzbarkeit erlaubt.

Zielsetzung und Ansatz des Projekts InProSSA

InProSSA verfolgt das Ziel, unterschiedliche Solverparadigmen in einer gemeinsamen Sprache für kombinatorische Optimierungsprobleme zu vereinen. Besonders ambitioniert ist der Ansatz, die Grenze zwischen symbolischen und subsymbolischen Methoden aufzuheben. Stattdessen sollen beide Welten in einem übergeordneten Framework zusammengeführt werden.

Konkret werden symbolische Solver wie SAT-Solver eingesetzt und evaluiert. Gleichzeitig untersucht das Projekt moderne subsymbolische Methoden, zum Beispiel neuronale Monte-Carlo-Tree-Search (MCTS). Dabei geht man von der Annahme aus, dass es keine universell beste Methode für alle Aufgabenstellungen gibt – das sogenannte No-Free-Lunch-Theorem. Jede Problemstellung erfordert daher ein spezifisch angepasstes Lösungskonzept.

Die Machbarkeit prüft InProSSA an einem industriellen Use Case. Dabei liegt der Schwerpunkt auf der Integration bereits existierender Methoden. Alle Ergebnisse – also Artikel, Software und Daten – werden öffentlich zugänglich gemacht. Auf Basis dieser Erkenntnisse sollen neue Forschungsfragen entwickelt und in Kooperation mit Firmenpartner*innen in industriellen Projekten umgesetzt werden.

Zusammenarbeit im lokalen Expert*innenkonsortium

Ein lokales Konsortium arbeitet gemeinsam an dieser Herausforderung. Beteiligt sind Expert*innen aus den Bereichen formale Sprachen (Research Institute for Symbolic Computation), symbolische KI (Institute for Symbolic Artificial Intelligence), subsymbolische KI (RISC Software GmbH) und industrielle Anwendungen (RISC Software GmbH). Durch die enge Kombination dieser Kompetenzen entsteht ein neuartiger Ansatz, um komplexe industrielle Aufgabenstellungen effizienter und flexibler zu lösen.

Projektpartner*innen

Details zum Projekt

  • Projekt-Kurztitel: InProSSA
  • Projekt-Langtitel: Industrial problem solving using symbolic and subsymbolic AI
  • Fördercall: AI Ökosysteme 2024: AI for Tech & AI for Green
  • Projektpartner:
    • RISC Software GmbH (Konsortialführung)
    • Research Institute for Symbolic Computation, Johannes Kepler Universität Linz
    • Institut für Symbolic AI, Johannes Kepler Universität Linz
  • Laufzeit: 05/2025-10/2026 (18 Monate)

Ansprechperson









    Projektleitung

    Dr. Michael Bögl

    Mathematical Optimization Specialist