Ondanks indrukwekkende successen van diepe neurale netwerken, schieten deze zwaar tekort tegenover biologische neurale netwerken in het expliciet volgen van een logische gedachtengang. Dat is een essentiële eigenschap van symbolische AI modellen, die echter de kracht missen van neurale netwerken om patronen te herkennen. De artificiële neurale netwerken van de toekomst hebben beide eigenschappen nodig. Uiteindelijk zal de mens wensen om de “artificiële gedachten” van dergelijke modellen te begrijpen en bij te sturen, en dat via natuurlijke taal. Om dat te bereiken, moet echter nog een lange weg worden afgelegd. Dit project heeft als doel het ontwerpen van een nieuw type van artificiële neurale netwerken, die predicties leren maken via een sequentie van logische artificiële gedachten, die voor mensen verstaanbaar zijn, en kunnen worden getraind. Om deze modellen te bouwen, plannen we verder te werken op recente ontwikkelingen in energie-gebaseerde training van neurale feedback netwerken. Als compromis tussen symbolische variabelen en volledig gedistribueerde neurale representaties, willen we lokaal gedistribueerde representaties bouwen. Dit moet toelaten om voor de mens verstaanbare concepten te gaan linken met lokale clusters van neurale activiteit in het model. Trajecten van dergelijke activiteit doorheen dergelijke betekenisvolle lokaties binnen het neuraal netwerk kunnen dan worden geobserveerd, en geïnterpreteerd als de artificiële gedachten van het model.