LogosKG：ハードウェア最適化によるスケーラブルで解釈可能な知識グラフ検索

要旨: 知識グラフ（KG）は、構造化され検証可能な推論を提供するために、大規模言語モデル（LLM）とますます統合されつつあります。この統合における中核となる操作はマルチホップ検索ですが、既存のシステムは効率性、スケーラビリティ、解釈可能性のバランスを取ることに苦慮しています。そこで本研究では、シンボリックなKGの定式化に基づき、主語・目的語・関係の表現に分解して、トラバーサルをハードウェア効率の高い操作として実行することで、巨大なKGに対するスケーラブルで解釈可能なkホップ検索を可能にする、新規のハードウェア整合型フレームワーク LogosKG を提案します。10億エッジ規模のグラフにスケールするために、LogosKG は、次数に応じたパーティショニング、グラフ間ルーティング、要求に応じたキャッシュを統合します。実験の結果、検索の忠実度を損なうことなく、CPUおよびGPUのベースラインに比べて大幅な効率向上が示されました。KG検索における性能が実証されたうえで、下流の2ラウンド型のKG-LLM相互作用により、LogosKG が、ホップ分布や接続性といったKGトポロジが、構造化された生物医学的知識と、LLMの診断推論との整合をどのように形作るかについて、大規模かつエビデンスに基づく分析を可能にすることを示します。これにより、次世代のKG-LLM統合への道が開かれます。ソースコードは公開されており、https://github.com/LARK-NLP-Lab/LogosKG で入手できます。また、オンラインデモは https://lark-nlp-lab-logoskg.hf.space/ で利用可能です。