Sprachmodelle auf Basis von Deep Learning (DL) erreichen hohe Leistung auf verschiedenen Benchmarks für die natürliche Sprachinferenz (Natural Language Inference, NLI). Gleichzeitig erhalten symbolische Ansätze zur NLI derzeit weniger Aufmerksamkeit. Beide Ansätze – symbolisch und tiefenlernen – verfügen über jeweils eigene Stärken und Schwächen. Derzeit existiert jedoch kein Ansatz, der beide Methoden in einem System kombiniert, um die Aufgabe der NLI zu lösen. Um symbolische und tiefenlernende Methoden zu integrieren, schlagen wir einen Inferenzrahmen namens NeuralLog vor, der sowohl einen auf Monotonie basierenden logischen Inferenzmotor als auch ein neuronales Netzwerk-Sprachmodell zur Phrasenalignment nutzt. Unser Rahmenmodell formuliert die NLI-Aufgabe als klassisches Suchproblem und verwendet den Beam-Search-Algorithmus, um optimale Inferenzpfade zu finden. Experimente zeigen, dass unser integrierter logisch-neuraler Inferenzansatz die Genauigkeit bei der NLI-Aufgabe verbessert und auf den Datensätzen SICK und MED Zustand der Technik erreicht.