본 논문은 대규모 언어 모델(LLM)의 일반적인 논리적 추론 능력 향상을 위한 두 가지 신경상징 AI 접근 방식, 즉 통합 접근 방식(신경망 내에 상징적 추론 포함)과 하이브리드 접근 방식(신경망과 분리된 상징적 솔버 사용)을 비교 분석합니다. 각 접근 방식을 대표하는 최고 성능 모델인 Logic Neural Network (LNN)와 LLM-Symbolic Solver (LLM-SS)를 사용하여 도메인 비의존적 벤치마크에서 성능을 평가한 결과, 하이브리드 접근 방식이 추론 과정의 해석 가능성과 기존 LLM의 장점 유지 측면에서 일반적인 논리적 추론 개발에 더 유망함을 보여줍니다. 또한, 하이브리드 접근 방식을 활용한 향후 연구를 지원하기 위해 모듈화, 모델 비의존성, 도메인 비의존성 및 최소한의 인간 개입을 특징으로 하는 일반화 가능한 프레임워크를 제안합니다.
