대규모 언어 모델(LLM)은 범용 어시스턴트로서 뛰어난 역량을 입증하며 광범위한 추론 작업에서 탁월한 성과를 보이고 일상적인 웹 사용의 다양한 측면을 지원하고 있습니다. 이러한 성과는 인공 일반 지능(AGI) 달성을 향한 중요한 진전을 의미합니다. 이러한 발전에도 불구하고 대규모 언어 모델의 유효성은 사용되는 특정 프롬프트 전략에 좌우되는 경우가 많으며, 다양한 추론 작업 전반에서 학습과 일반화를 촉진하는 강력한 프레임워크는 여전히 부족한 실정입니다. 이러한 문제를 해결하기 위해, 본 연구에서는 새로운 학습 프레임워크인 Thought-Like-Pro를 소개합니다. 이 프레임워크에서는 기호형 프롤로그(Prolog) 논리 엔진이 생성한 추론 궤적을 검증 및 변환한 사고의 연쇄(Chain-of-Thought) 과정을 모방하기 위해 모방 학습을 활용합니다. 이 프레임워크는 프롬프트 기반이지만 자기 부트스트랩 방식으로 진행되며, 이를 통해 대규모 언어 모델은 주어진 지시사항으로부터 규칙과 진술을 공식화하고 기호형 Prolog 엔진을 활용하여 결과를 도출할 수 있습니다. 그 후, 대규모 언어 모델은 Prolog에서 파생된 연속적인 추론 궤적을 모방 학습을 위한 자연어 사고의 연쇄로 변환합니다. 실증적 결과는 제안하는 접근 방식이 대규모 언어 모델의 추론 능력을 대폭 향상함을 보여줍니다. 모델 평균화 기법을 적용함으로써, 본 방법은 분포 외 외삽(distributional extrapolation) 작업에서 성능 저하가 미미하게 나타나 강력한 일반화 역량을 입증합니다. 본 연구는 기호형 추론과 언어 모델링을 통합하는 기술적 접근법을 제시하며, 인지적 영감을 받은 시스템으로서 대규모 언어 모델의 발전을 지원할 잠재력을 지니고 있습니다. 연구에 사용된 데이터셋의 일부는 오픈소스로 공개되었습니다.
본 논문에서는 프롤로그(Prolog) 프로그램 합성에 최적화된 Python 프레임워크인 WAMpy를 제시합니다. 범용 Prolog 시스템과 달리, WAMpy는 작은 후보 프로그램을 반복적으로 생성하고 평가하는 워크로드를 대상으로 합니다. WAMpy는 Prolog 절을 NumPy 배열 기반 WAM 명령어로 컴파일하며, 고정된 배경 지식에 대해 가설의 부분 재컴파일을 지원합니다. 성능에 중요한 루틴은 Numba JIT(just-in-time) 컴파일을 활용하여 가속화됩니다. 반복적인 컴파일 및 평가 워크로드 벤치마크에서 WAMpy는 Janus를 통해 Python에서 호출된 SWI-Prolog 대비 엔드투엔드(end-to-end) 성능을 향상시킵니다.
대규모 언어 모델(LLM)은 자연어 이해와 생성에 뛰어나지만, 특히 안전이 중요한 영역이나 규정 준수에 민감한 도메인에서 다단계 논리 추론에는 여전히 신뢰할 수 없다. 최근 신경-기호(neuro-symbolic) 접근법은 신경 모델과 외부 기호 엔진을 결합하여 이 격차를 해소하지만, 대부분의 통합은 맞춤형이며 도구 증강 에이전트를 위한 표준화된 인터페이스가 부족하다. 본 논문은 SWI-Prolog를 통해 결정론적 논리 추론을 제공하는 오픈 소스 MCP 서버인 Euclid-MCP를 제안한다. Euclid-MCP는 Horn 절(Horn-clause) 논리를 위한 엔진 독립적 중간 표현인 Euclid-IR을 도입한다. Euclid-IR은 사람이 읽기 쉽고, LLM이 생성하기 쉬우며, Prolog 또는 대체 백엔드로 컴파일하기 간단하다. 서버는 translate-run-inspect-repair 루프를 지원하는 간결한 도구 인터페이스를 제공하여, LLM 클라이언트가 추론을 위임하면서도 증명 추적과 도출 로그에 대한 완전한 접근을 유지할 수 있게 한다. 현실적인 IT 보안 및 규정 준수 사용 사례에서 Euclid-MCP를 평가한다. 결과는 LLM 단독으로는 작은 지식 베이스에서는 충분하지만, 더 큰 문제에서는 체계적으로 환각을 일으키는 반면, Euclid-MCP는 더 낮은 지연 시간과 더 간결한 출력으로 정확한 답을 제공함을 보여준다. 우리는 의미론적 RAG(semantic RAG)가 규칙 집행에는 근본적으로 부적합하다고 주장하며, Euclid-MCP가 RAG 기반 어시스턴트와 에이전트 시스템 모두를 위한 안정적이고 공유된 추론 기반 역할을 할 수 있다고 본다.