PhD – Neurosymbolisches Schlussfolgern für domänenadaptives generatives KI-System (w/m/div.)

Große Sprachmodelle (Large Language Models, LLMs) haben bemerkenswerte Fähigkeiten in einer Vielzahl von Aufgaben gezeigt. Ihre Leistung nimmt jedoch häufig in hochspezialisierten Domänen ab, die präzises strukturelles Schlussfolgern, Konsistenz und domänenspezifisches Wissen erfordern. Im Bereich des elektronischen Hardware-Designs haben bestehende LLMs Schwierigkeiten mit der strukturellen und semantischen Komplexität von Schaltungsbeschreibungen. Hardware-Designs werden als miteinander verbundene Graphen dargestellt, einschließlich Netzlisten, Schaltplänen und hierarchischen Designprojekten. Diese Darstellungen enthalten wesentliche Informationen, die bei der Umwandlung in rein sequenziellen Text verloren gehen.

• Als Teil unseres Teams werden Sie neuartige Methoden erforschen, um generative KI-Systeme an spezialisierte Domänen anzupassen, indem Sie strukturiertes symbolisches Wissen integrieren – ohne auf umfangreiches erneutes Training der Modelle angewiesen zu sein.
• Ihre Untersuchung wird sich auf Mechanismen konzentrieren, die es Large Language Models (LLMs) und anderen Foundation Models ermöglichen, externe Wissensrepräsentationen wie Wissensgraphen, Ontologien und formale Designrepräsentationen zu nutzen, während die Schlussfolgerungsfähigkeiten symbolischer Systeme erhalten bleiben.
• Sie werden innovative Ansätze entwickeln, die es generativen KI-Modellen ermöglichen, direkt mit diesen strukturierten Repräsentationen zu interagieren, um präziseres Schlussfolgern, Designunterstützung, Verifikation und Codegenerierung zu ermöglichen.
• Durch Ihre Arbeit leisten Sie einen wesentlichen Beitrag zur Entwicklung der nächsten Generation von KI-Systemen, die die Flexibilität neuronaler Modelle mit der Zuverlässigkeit, Interpretierbarkeit und den strukturierten Schlussfolgerungsfähigkeiten symbolischer Repräsentationen verbinden.

Function: Research
Experience Level: Entry Level