Sintesi Tecnica: Geodesic Flow Matching per la Denoisizzazione di Rappresentazioni Strutturate ad Alta Dimensionalità

1. Definizione del Problema

Le Algebra Simboliche Vettoriali (VSA) consentono un ragionamento neurosimbolico robusto codificando informazioni simboliche in vettori distribuiti ad alta dimensionalità. Un requisito critico per questi sistemi è la "pulizia" (cleanup): la capacità di mappare input rumorosi, composti o parziali verso stati validi e puliti. Sebbene ampiamente esplorata per i simboli discreti, la pulizia rimane una sfida aperta per le rappresentazioni continue come i Puntatori Semantici Spaziali (SSP).

Gli SSP codificano variabili spaziali continue in vettori ad alta dimensionalità ($d > 1000$) che risiedono su un Ipertoride di Clifford altamente strutturato, immerso nell'ipersfera unitaria $S^{d-1}$. Il documento identifica un fallimento geometrico fondamentale nell'applicazione del classico Conditional Flow Matching (CFM) agli SSP:

• Assunzione Euclidea: Il CFM standard assume una geometria euclidea piatta, definendo percorsi di trasporto come interpolanti lineari (corde) tra un campione di rumore e un campione di dati.
• Disallineamento Geometrico: Poiché i dati sono vincolati a un'ipersfera, una linea retta che connette due punti passa attraverso l'interno della sfera. Ciò causa un collasso dell'ampiezza vettoriale ($||\phi_t|| < 1$) durante il processo di trasporto.
• Conseguenza: Questo collasso dell'ampiezza distrugge le precise relazioni di fase ($e^{i\theta_j x}$) necessarie per decodificare la semantica spaziale codificata nell'SSP. Di conseguenza, gli interpolanti lineari euclidei non riescono a ripristinare stati SSP validi, portando a errori catastrofici in compiti a valle come l'integrazione del percorso.

2. Metodologia

Gli autori propongono il Geodesic Flow Matching (GFM) per risolvere il disallineamento geometrico, adattando la dinamica di trasporto riemanniana per limitare strettamente il flusso di denoisizzazione al manifold toroidale dell'SSP.

Meccanismo Core

Invece dell'interpolazione lineare, il GFM definisce il percorso di probabilità lungo l'arco di grande cerchio (geodetica) tra la sorgente (rumore) e il target (dato pulito) sull'ipersfera unitaria $S^{d-1}$.

• Mappa Logaritmica ($\text{Log}_{\phi_0}$): Proietta lo stato target $\phi_1$ nello spazio tangente alla sorgente $\phi_0$, definendo il vettore velocità iniziale.
• Mappa Esponenziale ($\text{Exp}_{\phi_0}$): Mappa un vettore tangente nuovamente sul manifold, avanzando lo stato lungo la geodetica.
• Dinamica di Trasporto: Il percorso è definito come $\phi_t = \text{Exp}_{\phi_0}(t \cdot \text{Log}_{\phi_0}(\phi_1))$.
• Obiettivo di Addestramento: Una rete neurale $v_\theta(\phi_t, t)$ viene addestrata per regredire la velocità tangente istantanea lungo questo arco. Il modello minimizza una perdita di flusso del coseno (cosine flow loss) per allineare la velocità predetta con la vera velocità geodetica, garantendo che gli aggiornamenti rimangano tangenti all'ipersfera e preservino il vincolo di norma unitaria per costruzione.

Contesto di Applicazione: SNN per lo SLAM Semantico

Il metodo viene validato all'interno di un'implementazione di Reti Neurali Spiking (SNN) per lo SLAM Semantico (Simultaneous Localization and Mapping).

• Sfida: Le SNN introducono un rumore significativo (variabilità dei picchi/spike, deriva di fase nelle connessioni ricorrenti) che spinge le rappresentazioni fuori dal manifold valido.
• Ruolo del GFM: Il modello GFM agisce come un stabilizzatore online, intercettando gli output di integrazione del percorso (PI) che derivano e proiettandoli nuovamente sul manifold prima che vengano utilizzati per il binding dei landmark. Ciò previene l'accumulo di errori che causerebbero la divergenza della traiettoria.

3. Contributi Chiave

1. Identificazione del Fallimento Geometrico: Il documento dimostra che il Flow Matching Euclideo standard fallisce per le rappresentazioni strutturate ad alta dimensionalità (SSP) perché gli interpolanti lineari "tagliano" l'interno del manifold, distruggendo la struttura di fase e ampiezza.
2. Framework di Geodesic Flow Matching: Gli autori adattano il flow matching alle rappresentazioni neurosimboliche toroidali ad alta dimensionalità, vincolando il trasporto al manifold riemanniano utilizzando mappe logaritmiche ed esponenziali.
3. Validazione Empirica in SNN: L'approccio è testato in un benchmark di SLAM semantico in tempo reale utilizzando neuroni spiking, un banco di prova difficile a causa del rumore intrinseco.
4. Guadagni di Efficienza: Il metodo consente una memoria associativa ad alta capacità in sistemi dove la semantica è codificata nella direzione del vettore piuttosto che nella sua ampiezza, colmando il divario tra il trasporto generativo e la pulizia valida delle VSA.

4. Risultati Sperimentali

Gli autori confrontano il GFM con il CFM Euclideo, la Regressione Feedforward, il Grid Lookup e i baseline basati su ottimizzazione.

• Benchmark di Denoisizzazione:

  • Il GFM supera significativamente il CFM Euclideo, in particolare nei regimi di alto rumore dove gli interpolanti lineari falliscono nel recuperare il ground truth.
  • In condizioni di alto rumore (Forza del Segnale < 0.15), il GFM supera i baseline non neurali (Grid/Optimization) che non riescono a "agganciarsi" ai prototipi corretti una volta che il segnale scende sotto la soglia del rumore.
  • L'analisi qualitativa mostra che il GFM ricostruisce picchi unimodali netti alla coordinata spaziale corretta, mentre i modelli euclidei producono un "drift" spaziale spostato e i modelli feedforward producono rappresentazioni diffuse.

• Performance SLAM (Sistema Neurale Spiking):

  • Riduzione dell'Errore: In un regime di risorse limitate ($N=1500$ neuroni), il GFM ha ridotto l'errore medio di tracciamento del percorso del 72% rispetto a un baseline Grid (0.076m vs 0.249m).
  • Efficienza Neurale: Un sistema con 1.500 neuroni aumentato con GFM ha raggiunto un'accuratezza di tracciamento comparabile a un sistema baseline che utilizza 2.500 neuroni. Ciò rappresenta un incremento del 40% dell'efficienza neurale (o una riduzione del 40% delle risorse richieste) per una stabile integrazione del percorso.
  • Stabilità: A differenza dei baseline Grid che introducono salti di stato discontinui (causando la divergenza della traiettoria nella dinamica di integrazione), il GFM fornisce un campo di correzione continuo che mantiene una stabile integrazione a lungo termine.

5. Significato e Rivendicazioni

Il documento afferma che la geometria intrinseca delle rappresentazioni ad alta dimensionalità è critica per una pulizia robusta. Spostando il paradigma dalla ricerca discreta nel dominio embedded al trasporto generativo continuo direttamente nello spazio di embedding, gli autori forniscono un framework robusto per le rappresentazioni ipersferiche.

La significatività risiede in:

• Consistenza Geometrica: Garantire che il trasporto rimanga coerente con il manifold evita la distruzione dell'informazione di fase, essenziale per la decodifica accurata nelle VSA.
• Efficienza Neuromorfica: Il metodo abilita il calcolo neuromorfico efficiente stabilizzando le rappresentazioni spiking rumorose, permettendo a reti più piccole di eseguire compiti che prima richiedevano maggiori risorse.
• Generalizzabilità: Sebbene focalizzato sugli SSP, l'approccio si applica ad altre architetture che utilizzano embedding ipersferici, come le Hyperspherical Prototype Networks e le Hyperspherical Variational Autoencoders, dove la direzione del vettore codifica la semantica.

Gli autori notano che, sebbene l'attuale architettura privilegi la validazione della formulazione geometrica rispetto alla minimizzazione del calcolo, il framework è progettato per essere convertibile in reti completamente spiking per il deployment su hardware neuromorfico fisico.