본 논문은 기존 신경기호 학습 프레임워크의 GPU 가속화된 신경망 구성요소와 CPU 기반의 느린 기호 구성요소 간의 불균형을 해결하기 위해, GPU를 end-to-end 방식으로 활용하는 통합 프레임워크인 Lobster를 제안한다. Lobster는 Datalog 기반의 일반적인 신경기호 언어를 GPU 프로그래밍 패러다임으로 매핑하며, 이는 APM이라는 새로운 중간 언어로의 컴파일을 통해 구현된다. APM은 이산, 확률적, 미분 가능한 추론 모드를 GPU 하드웨어에서 지원하고, provenance semirings 라이브러리를 통해 유연성과 성능을 모두 제공한다. 자연어 처리, 이미지 처리, 프로그램 추론, 생물정보학, 계획 등 다양한 분야의 문제 해결에 Lobster를 적용하여 성능을 검증하였으며, 기존 최첨단 신경기호 프레임워크인 Scallop에 비해 평균 5.3배의 속도 향상을 달성하고, 이전에는 불가능했던 작업까지 확장 가능성을 보였다.
