Resumen Técnico: Flujo de Geodésicas para la Denotación de Representaciones Estructuradas de Alta Dimensión

1. Planteamiento del Problema

Los Álgebras Simbólicas Vectoriales (VSA, por sus siglas en inglés) permiten un razonamiento neurosimbólico robusto mediante la codificación de información simbólica en vectores distribuidos de alta dimensión. Un requisito crítico para estos sistemas es la "limpieza" (cleanup): la capacidad de mapear entradas ruidosas, compuestas o parciales de vuelta a estados válidos y limpios. Aunque esto ha sido ampliamente explorado para símbolos discretos, la limpieza sigue siendo un desafío abierto para representaciones continuas como los Punteros Semánticos Espaciales (SSP).

Los SSP codifican variables espaciales continuas en vectores de alta dimensión ($d > 1000$) que residen en un Hipertoro de Clifford altamente estructurado, embebido dentro de la hiperesfera unitaria $S^{d-1}$. El artículo identifica un fallo geométrico fundamental al aplicar el Flujo de Emparejamiento Condicional (CFM) estándar a los SSP:

• Suposición Euclídea: El CFM estándar asume una geometría euclídea plana, definiendo trayectorias de transporte como interpolantes lineales (cuerdas) entre una muestra de ruido y una muestra de datos.
• Desajuste Geométrico: Para datos restringidos a una hiperesfera, una línea recta que conecta dos puntos pasa por el interior de la esfera. Esto causa un colapso de la magnitud del vector ($||\phi_t|| < 1$) durante el proceso de transporte.
• Consecuencia: Este colapso de la magnitud destruye las relaciones de fase precisas ($e^{i\theta_j x}$) necesarias para decodificar la semántica espacial codificada en el SSP. En consecuencia, los interpolantes lineales euclídeos fallan al restaurar estados válidos de los SSP, lo que conduce a errores catastróficos en tareas posteriores como la integración de trayectoria.

2. Metodología

Los autores proponen el Flujo de Emparejamiento de Geodésicas (GFM) para resolver el desajuste geométrico, adaptando la dinámica de transporte riemanniana para restringir estrictamente el flujo de denotación al manifold toroidal de los SSP.

Mecanismo Central

En lugar de la interpolación lineal, el GFM define la trayectoria de probabilidad a lo largo del arco de círculo máximo (geodésica) entre la fuente (ruido) y el objetivo (datos limpios) en la hiperesfera unitaria $S^{d-1}$.

• Mapa Logarítmico ($\text{Log}_{\phi_0}$): Proyecta el estado objetivo $\phi_1$ en el espacio tangente en la fuente $\phi_0$, definiendo el vector de velocidad inicial.
• Mapa Exponencial ($\text{Exp}_{\phi_0}$): Mapea un vector tangente de vuelta al manifold, avanzando el estado a lo largo de la geodésica.
• Dinámica de Transporte: La trayectoria se define como $\phi_t = \text{Exp}_{\phi_0}(t \cdot \text{Log}_{\phi_0}(\phi_1))$.
• Objetivo de Entrenamiento: Una red neuronal $v_\theta(\phi_t, t)$ es entrenada para regredir la velocidad tangente instantánea a lo largo de este arco. El modelo minimiza una pérdida de flujo de coseno para alinear la velocidad predicha con la verdadera velocidad geodésica, asegurando que las actualizaciones permanezcan tangentes a la hiperesfera y preserven la restricción de norma unitaria por diseño.

Contexto de Aplicación: SLAM de Redes Neuronales de Impulsos (Spiking)

El método se valida dentro de una implementación de Red Neuronal de Impulsos (SNN) de SLAM Semántico (Localización y Mapeo Simultáneos Semánticos).

• Desafío: Las SNN introducen un ruido significativo (variabilidad de impulsos, deriva de fase en conexiones recurrentes) que desplaza las representaciones fuera del manifold válido.
• Rol del GFM: El modelo GFM actúa como un estabilizador en línea, interceptando las salidas de la integración de trayectoria (PI) que derivan y proyectándolas de nuevo sobre el manifold antes de que sean utilizadas para la vinculación de hitos (landmarks). Esto evita la acumulación de errores que de otro modo causarían la divergencia de la trayectoria.

3. Contribuciones Clave

1. Identificación del Fallo Geométrico: El artículo demuestra que el Flujo de Emparejamiento Euclídeo estándar falla para representaciones estructuradas de alta dimensión (SSP) porque los interpolantes lineales "cortan" a través del interior del manifold, destruyendo la estructura de fase y magnitud.
2. Marco de Flujo de Emparejamiento de Geodésicas: Los autores adaptan el emparejamiento de flujo a representaciones neurosimbólicas toroidales de alta dimensión, restringiendo el transporte al manifold de Riemann utilizando mapas logarítmicos y exponenciales.
3. Validación Empírica en SNN: El enfoque se prueba en un benchmark de SLAM semántico desafiante y en tiempo real utilizando neuronas de impulsos, un banco de pruebas difícil debido al ruido inherente.
4. Ganancias de Eficiencia: El método permite una memoria asociativa de alta capacidad en sistemas donde la semántica se codifica en la dirección del vector en lugar de la magnitud, cerrando la brecha entre el transporte generativo y la limpieza neurosimbólica válida.

4. Resultados Experimentales

Los autores comparan el GFM contra el Flujo de Emparejamiento Euclídeo (CFM), Regresión Feedforward, Búsqueda en Rejilla (Grid Lookup) y baselines de Optimización.

• Benchmarks de Denotación:

  • El GFM supera significativamente al CFM Euclídeo, particularmente en regímenes de alto ruido, donde los interpolantes lineales fallan al intentar recuperar la verdad de campo.
  • En condiciones de alto ruido (Fuerza de Señal < 0.15), el GFM supera a los baselines no neuronales (Grid/Optimización) que fallan al intentar "ajustarse" a los prototipos correctos una vez que la señal cae por debajo del umbral de ruido.
  • El análisis cualitativo muestra que el GFM reconstruye picos unimodales nítidos en la coordenada espacial correcta, mientras que los modelos euclídeos producen una "deriva" espacial desplazada y los modelos feedforward producen representaciones difusas y promediadas.

• Rendimiento de SLAM (Sistema de Neuronas de Impulsos):

  • Reducción de Error: En un régimen de recursos limitados ($N=1500$ neuronas), el GFM redujo el error promedio de seguimiento de trayectoria en un 72% comparado con un baseline de Rejilla (0.076m vs. 0.249m).
  • Eficiencia Neuronal: Un sistema con 1,500 neuronas aumentado con GFM logró una precisión de seguimiento comparable a un sistema base que utiliza 2,500 neuronas. Esto representa un aumento del 40% en la eficiencia neuronal (o una reducción del 40% en los recursos requeridos) para una integración de trayectoria estable.
  • Estabilidad: A diferencia de los baselines de Rejilla que introducen saltos discontinuos en el estado (causando la divergencia de la trayectoria en la integración dinámica), el GFM proporciona un campo de corrección continuo que mantiene una integración a largo plazo estable.

5. Significado y Reivindicaciones

El artículo sostiene que la geometría intrínseca de las representaciones de alta dimensión es crítica para una limpieza robusta. Al cambiar el paradigma de la búsqueda discreta en el dominio embebido al transporte generativo continuo directamente en el espacio de la embedding, los autores proporcionan un marco robusto para las embeddings hiperesféricas.

La importancia radica en:

• Consistencia Geométrica: Asegurar que el transporte permanezca consistente con el manifold evita la destrucción de la información de fase, la cual es esencial para la decodificación precisa en las VSA.
• Eficiencia Neuromórfica: El método permite la computación neuromórfica eficiente al estabilizar las representaciones de impulsos ruidosas, permitiendo que redes más pequeñas realicen tareas que anteriormente requerían más recursos.
• Generalizabilidad: Aunque se centra en los SSP, el enfoque es aplicable a otras arquitecturas que utilizan embeddings hiperesféricos, como las Redes de Prototipos Hiperesféricos y los Autoencoders Variacionales Hiperesféricos, donde la dirección del vector codifica la semántica.

Los autores señalan que, si bien la arquitectura actual prioriza la validación de la formulación geométrica sobre la minimización del cómputo, el marco está diseñado para ser convertible a redes de impulsos completas para su despliegue en hardware neuromórfico físico.