AI・機械学習
上級
LINC（リンク）
LLMを使って自然言語前提をFOL（一階論理）形式に変換し、Neurosymbolic推論エンジンで結論を導くフレームワーク。LINC = Logical Inference via Neurosymbolic Computation。
0 回閲覧
0 いいね
2026/6/7 更新
関連タグ
LINC
一階論理
Prolog
ニューロシンボリック
演繹推論
LINC (Logical Inference via Neurosymbolic Computation)
概要
LINCは2023年にOlausson et al.（MIT・Harvard）が提案したニューロシンボリック推論フレームワーク。名称の"LINC"はLogical Inference via Neurosymbolic Computationの略。
LLMの自然言語理解能力を「翻訳器」として活用し、日常言語の論理命題をFOL（First-Order Logic: 一階述語論理）のProlog構文に変換。その後Prologインタプリタで確実な演繹推論を実行する。
動作原理
入力例
前提1: すべての鳥は動物である。
前提2: スズメは鳥である。
質問: スズメは動物であるか？
FOL変換（LLMが実行）
% 前提1: forall x Bird(x) -> Animal(x)
animal(X) :- bird(X).
% 前提2: Bird(suzume)
bird(suzume).
% クエリ
?- animal(suzume).
Prologソルバー出力
true.
ベンチマーク性能（2023年時点）
| データセット | LINC + GPT-4 | GPT-4のみ | CoT + GPT-4 |
|---|---|---|---|
| FOLIO | 91.7% | 83.1% | 84.6% |
| LogiQA | 86.4% | 79.3% | 81.2% |
| ProofWriter | 94.2% | 85.7% | 88.3% |
FOL（一階述語論理）への変換
LINCがLLMに変換させる主な論理構造：
- 全称量化: 「すべての X は Y である」
- 存在量化: 「ある X が存在して Y である」
- 否定: 「X でない」
- 条件: 「X ならば Y」
- 連言: 「X かつ Y」
Logic-LLMとの違い
LINCとLogic-LLMは類似概念だが以下で異なる：
- LINC: 一階述語論理（FOL）+Prologに特化・自然言語推論寄り
- Logic-LLM: 複数の論理形式（Z3/Pyke/Prolog等）に対応・より汎用的
- 精度: FOLIO等では LINC がわずかに高精度のケースあり
- 実装: LINCはより軽量でPrologのみで動作
応用分野
- 法律文書解析: 「AがBを満たす場合、CはDの義務を持つ」型条件の自動判定
- 医療診断支援: 症状×病歴×検査値の論理的組み合わせ推論
- 科学的仮説検証: 実験結果と理論の論理的整合性チェック
- 知識グラフ完成: FOL規則からトリプル生成
課題
- FOL変換エラー率がLLM精度に依存（GPT-4で約8〜15%の変換失敗）
- 量化子のスコープ解釈が曖昧な場合にエラー伝播
- 非単調推論（デフォルト推論）には対応困難
- 計算複雑度がFOL問題の組み合わせ爆発で増大
よくある質問（FAQ）
Q1: LINCは実プロダクトで使われているか？ A: 2025年時点では研究段階が主。法律文書自動分析・コンプライアンスチェックツールの内部推論エンジンとして試験的導入事例がある。
Q2: LLMがFOL変換に失敗したらどうなる？ A: Prologが構文エラーを返し推論が失敗。LINCは変換失敗時にLLM直接推論にフォールバックする実装が一般的。
Q3: 日本語対応は？ A: FOL変換器としてのLLMが日本語対応していれば原理上可能。ただし日本語→FOL変換の精度は英語より低くなる傾向がある。