qFHRR: Rethinking Fourier Holographic Reduced Representations through Quantized Phase and Integer Arithmetic

El artículo introduce qFHRR, una formulación de fase cuantizada de las Representaciones Reducidas Holográficas de Fourier que reemplaza la aritmética de punto flotante con operaciones modulares de solo enteros para reducir significativamente la huella de memoria y habilitar una implementación eficiente en hardware, preservando al mismo tiempo las propiedades algebraicas y la estructura de similitud de alta fidelidad del marco original de valores complejos.

Lo esencial

Imagina que tienes una biblioteca masiva de información y, en lugar de usar libros, almacenas todo en trompos gigantes de múltiples colores que giran. En el mundo de la informática, esto se llama Representaciones Reducidas Holográficas de Fourier (FHRR).

Así es como funcionaba el sistema antiguo:
Cada "trompo" (o vector de datos) tiene miles de pequeños dialos. Para almacenar un fragmento de información, ajustas cada dial a un ángulo específico en un círculo (como la cara de un reloj). Para combinar dos piezas de información (como "Rojo" + "Manzana"), haces girar los dialos de ambos trompos y sumas sus ángulos. Para separarlos más tarde, restas los ángulos.

El Problema:
La forma antigua requería que estos dialos fueran increíblemente precisos. Las computadoras tenían que usar matemáticas complejas y pesadas (números de punto flotante) para calcular estos ángulos exactos. Esto es como intentar construir un robot que solo puede funcionar si tiene una supercomputadora en su cerebro. Consume mucha energía, ocupa mucha memoria y es difícil de implementar en chips pequeños y baratos (como los de los relojes inteligentes o los sensores).

La Solución: qFHRR
Los autores de este artículo introdujeron qFHRR (FHRR Cuantizado). Imagina esto como reemplazar la esfera infinita y suave del reloj por un dial simple y numerado.

En lugar de permitir que el dial señale cualquier ángulo (como 12.345 grados), qFHRR dice: "Elegamos solo de una lista fija de 8, 16 o 32 puntos específicos".

• Forma Antigua: "Apunta el dial exactamente a 12.345 grados". (Requiere matemáticas complejas).
• Nueva Forma: "Apunta el dial al Punto #3". (Requiere un simple conteo).

Cómo Funciona en Términos Cotidianos:

1. La Analogía de los "Lego" para las Matemáticas:
   En el sistema antiguo, combinar información era como mezclar dos líquidos en un matraz; necesitabas balanzas precisas y química para obtener el resultado correcto.
   En el nuevo sistema qFHRR, combinar información es como encajar bloques de Lego. Solo sumas los números de los bloques. Si tienes un bloque "3" y un bloque "5", obtienes un bloque "8". Si te pasas del límite (digamos, el dial solo tiene 8 puntos), simplemente vuelves a empezar (como un reloj que pasa de las 12 a las 1). Esto se llama aritmética modular, y es algo que incluso una calculadora simple puede hacer instantáneamente sin necesitar una supercomputadora.

2. La Analogía del "Menú" para la Similitud:
   Para verificar si dos piezas de información son similares, el sistema antiguo tenía que realizar una compleja danza de trigonometría.
   El nuevo sistema utiliza una Tabla de Búsqueda (como un menú de restaurante). En lugar de calcular la distancia entre dos ángulos, la computadora simplemente busca la respuesta en una lista preescrita. "Si tengo el Punto #3 y el Punto #5, la puntuación de similitud es X". No se requiere matemáticas, solo lectura.

¿Qué Descubrieron?
Los investigadores probaron este nuevo sistema de "dial numerado" contra el antiguo sistema de "ángulo preciso":

• Es Minúsculo: Lograron reducir el tamaño de los datos en más del 90%. En lugar de necesitar 64 bits (un gran trozo de memoria) para cada pieza de datos, podían conformarse con solo 3 o 4 bits. Es como reducir una película en alta definición completa a una miniatura diminuta sin perder la trama.
• Es Preciso: Incluso con un dial tan pequeño y simple (solo 8 puntos), el sistema funcionó casi perfectamente. Todavía podía combinar y separar información tan bien como la versión compleja.
• Mantiene el Mapa: El artículo probó si este sistema podía recordar dónde están las cosas en el espacio (como recordar dónde están una taza, un libro y un bolígrafo sobre una mesa). Incluso con los dialos simplificados, el sistema mantuvo intacto el "mapa espacial". Sabía que la taza estaba cerca del libro y lejos del bolígrafo, tal como lo hacía la versión compleja.

Por Qué Esto Importa (Según el Artículo):
El artículo afirma que esto no es solo un truco matemático; es una forma de hacer que estos potentes sistemas de memoria funcionen en hardware que no tiene supercomputadoras. Al cambiar de "matemáticas complejas" a "conteo simple de enteros", hacen posible poner este tipo de memoria inteligente en dispositivos que son pequeños, baratos y eficientes energéticamente.

En Resumen:
El artículo toma una forma de alta tecnología y pesada en matemáticas de almacenar información y la simplifica en un "juego de conteo". Demostraron que no necesitas un motor superpreciso y costoso para conducir un coche; a veces, un sistema de engranajes simple y eficiente funciona igual de bien y cabe en una caja mucho más pequeña.

Resumen técnico

1. Declaración del Problema

Las Representaciones Reducidas Holográficas de Fourier (FHRR) son un marco prominente de Arquitectura Simbólica Vectorial (VSA) utilizado para codificar información estructurada mediante hipervectores de alta dimensión y valor complejo. Aunque FHRR ofrece potentes propiedades algebraicas para la memoria composicional y el razonamiento espacial, depende de la aritmética de punto flotante y de representaciones de fase continuas.

• Limitaciones: Esta dependencia genera una sobrecarga significativa en términos de ancho de banda de memoria, consumo de energía y complejidad del hardware, lo que hace que FHRR sea ineficiente para entornos con recursos limitados (por ejemplo, hardware neuromórfico, FPGAs, dispositivos de borde).
• Objetivo: Los autores buscan desarrollar una formulación de FHRR que preserve su estructura algebraica y propiedades geométricas, pero que permita el cálculo exclusivo con enteros, reduciendo así la huella de memoria y eliminando la necesidad de unidades de punto flotante.

2. Metodología: FHRR Cuantizado (qFHRR)

Los autores proponen qFHRR, una formulación de fase discreta que reparametriza el dominio complejo continuo en un conjunto finito de índices de fase enteros.

Representación Central

• Discretización: En lugar de representar una dimensión como un fasor complejo continuo $z_i = e^{j\theta_i}$ donde $\theta_i \in [0, 2\pi)$, qFHRR mapea cada dimensión a un índice entero discreto $q_i \in \{0, 1, \dots, K-1\}$.
• Mapeo: La fase se define como $\theta_i = \frac{2\pi q_i}{K}$, donde $K$ es el número de bins de fase. Esto crea una aproximación cuantizada del círculo unitario.

Implementación de Operaciones Centrales

El artículo demuestra cómo las operaciones estándar de VSA se transforman en aritmética entera y operaciones de tabla de búsqueda (LUT):

1. Vinculación (Multiplicación):

   • FHRR Estándar: Multiplicación compleja elemento a elemento (suma de fases).
   • qFHRR: Suma entera modular.
   • Fórmula: $r_i = (q_{a,i} + q_{b,i}) \mod K$.

2. Desvinculación (División/Conjugado):

   • FHRR Estándar: Multiplicación compleja conjugada elemento a elemento (resta de fases).
   • qFHRR: Resta entera modular.
   • Fórmula: $\hat{q}_{a,i} = (r_i - q_{b,i}) \mod K$.

3. Similitud (Producto Puntual):

   • FHRR Estándar: Similitud del coseno (Parte real del producto interno).
   • qFHRR: Calculado como la media del coseno de las diferencias de fase. Dado que la diferencia de fase es un entero, los valores del coseno se recuperan mediante una Tabla de Búsqueda Precomputada (LUT) indexada por $(q_{a,i} - q_{b,i}) \mod K$.

4. Agrupación (Suma):

   • Desafío: La suma de vectores no es cerrada bajo la aritmética modular.
   • Solución: El proceso implica:
     1. Mapear los índices enteros a coordenadas cartesianas $(x, y)$ utilizando LUTs de seno/coseno (escaladas por un factor entero $\alpha$).
     2. Acumular las componentes $x$ e $y$ (suma entera).
     3. Proyectar el vector resultante de nuevo al bin de fase cuantizado más cercano utilizando un algoritmo CORDIC exclusivo de enteros (para aproximar atan2) y redondeo.

3. Contribuciones Clave

• Álgebra Exclusiva de Enteros: Introducción de qFHRR, que preserva la estructura algebraica subyacente de FHRR complejo mientras permite la implementación utilizando únicamente aritmética modular, acumulación entera y LUTs.
• Eficiencia de Hardware: Eliminación de la multiplicación compleja de punto flotante y de las evaluaciones trigonométricas explícitas, haciendo que el marco sea adecuado para sistemas neuromórficos y FPGA.
• Reducción del Ancho de Bit: Demostración de que se pueden lograr representaciones de alta fidelidad con anchos de bit drásticamente reducidos (tan bajos como 3–4 bits por dimensión) en comparación con la representación compleja estándar de 64 bits.
• Preservación de la Estructura Espacial: Prueba de que qFHRR mantiene la estructura de similitud espacial inducida por el vinculación fraccional (escalado de fase), permitiendo una codificación y recuperación precisa de memoria de múltiples objetos a pesar de la cuantización.

4. Resultados

Los autores evaluaron qFHRR frente a la línea base de FHRR complejo a través de la fidelidad a nivel de operador y la codificación espacial a nivel de representación.

• Fidelidad de Cuantización:

  • La similitud entre qFHRR y FHRR complejo aumenta monótonamente con la resolución de fase ($K$).
  • Rendimiento con Bajo Ancho de Bit: En $K=8$ (3 bits/dimensión), la similitud de vinculación supera 0.94 y la similitud de agrupación supera 0.91, lo que representa una reducción de ~95% en el tamaño de la representación.
  • Rendimientos Decrecientes: Más allá de $K=16$ (4 bits), el rendimiento se acerca a un acuerdo casi perfecto (similitud > 0.98) con la línea base compleja.

• Codificación Espacial (Vinculación Fraccional):

  • El sistema se probó en una tarea de memoria espacial de múltiples objetos.
  • Cualitativo: Incluso con baja resolución ($K=8$), qFHRR preservó con éxito la ubicación de las respuestas máximas y los gradientes de similitud circundantes.
  • Cuantitativo: El Error Cuadrático Medio (RMSE) entre los mapas de similitud cuantizados y complejos disminuyó a medida que aumentaba $K$. Crucialmente, la ubicación de la respuesta máxima permaneció estable a través de los niveles de cuantización, demostrando la preservación de la estructura composicional.

5. Significado e Impacto

• Escalabilidad: qFHRR ofrece una alternativa escalable a FHRR complejo, reduciendo significativamente la huella de memoria y permitiendo el despliegue en hardware donde las unidades de punto flotante no están disponibles o consumen demasiada energía.
• Compatibilidad Neuromórfica: La formulación de índice de fase discreta se alinea naturalmente con las redes neuronales de pulsos donde la fase se codifica mediante el tiempo de los pulsos, cerrando la brecha entre las VSAs algebraicas y la plausibilidad biológica/neuromórfica.
• Despliegue Práctico: Al permitir una aritmética entera eficiente, qFHRR facilita la integración de modelos de IA estructurados y composicionales en dispositivos de borde, sensores IoT y chips neuromórficos especializados sin sacrificar la capacidad de realizar razonamiento complejo o mapeo espacial.

En conclusión, el artículo establece que la cuantización no necesariamente degrada la utilidad algebraica o geométrica de FHRR. Al pasar de números complejos continuos a índices de fase discretos, qFHRR logra una representación altamente eficiente y amigable con el hardware que retiene las fortalezas centrales de las arquitecturas simbólicas vectoriales.