Unified Complex-valued Neural Network: A Magnitude-Phase Computational Model for Event-Driven Neuromorphic Learning

Resumo Técnico: Rede Neural de Valor Complexo Unificada (UCNN)

Definição do Problema
O artigo aborda uma tensão fundamental nos paradigmas de computação neural: as Redes Neurais Artificiais (ANNs) oferecem representações de valores contínuos de alta precisão, mas carecem de processamento temporal intrínseco orientado a eventos, enquanto as Redes Neurais de Espigamento (SNNs) fornecem computação eficiente e assíncrona orientada a eventos, mas frequentemente sacrificam a representação de sinal graduado devido à codificação de espigamento (spike) binária. Arquiteturas híbridas existentes tentam preencher essa lacia, mas frequentemente dependem de módulos separados, redes paralelizadas ou mecanismos de sincronização complexos, o que introduz sobrecarga de design e limita o acoplamento estreito entre o contexto estático e a informação temporal dinâmica. Além disso, as SNNs puras têm dificuldade com o aprendizado estável para tarefas de sistemas dinâmicos robustos devido à redução da informação em eventos binários.

Metodologia
Os autores propõem a Rede Neural de Valor Complexo Unificada (UCNN), construída sobre um novo modelo de neurônio chamado Neurônio de Valor Complexo Unificado (UCN).

• Arquitetura do Neurônio: O UCN utiliza um estado interno complexo assimétrico, $z(t) = r(t)e^{i\theta(t)}$.

  • Magnitude ($r$): Codifica a força do sinal contínuo usando uma função tangente hiperbólica retificada da pré-ativação. Este canal fornece ativação contínua e limitada, semelhante às ANNs.
  • Fase ($\theta$): Atua como uma variável de tempo interna governada por dinâmicas de primeira ordem de vazamento e excitação (análogo a um neurônio de Integração e Disparo com Vazamento - Leaky Integrate-and-Fire). A fase evolui continuamente e controla a emissão de eventos. Quando a fase cruza um limiar (ex: $2\pi$), um espigamento (spike) é gerado.
  • Saída: O neurônio emite um "evento valorizado" $y(t) = s(t) \cdot r(t)$, onde $s(t)$ é o indicador de espigamento controlado pela fase. Isso desacopla o tempo do evento (governado pela fase) da amplitude do sinal (governada pela magnitude).
  • Mecanismos de Reset: O modelo suporta estratégias de reset rígido (para zero), reset módulo (subtração do limiar) e reset suave (decaimento) para gerenciar a continuidade da fase e a regularidade de disparo.

• Estruturas de Treinamento:

  1. BP-BPTT Unificado: Uma regra de treinamento fundamental que combina Backpropagation (BP) para a via de magnitude contínua e Backpropagation Through Time (BPTT) com gradientes substitutos (surrogate gradients) para a via de fase governada por eventos. Isso permite a otimização de ponta a ponta tanto do "quê" (magnitude) quanto do "quando" (fase).
  2. Aprendizado de Fase Adaptativo Orientado a Eventos (EAPL): Para reduzir o custo computacional do desdobramento temporal explícito exigido pelo BPTT padrão, os autores introduzem o EAPL. Este método reformula o aprendizado como um processo dinâmico de tempo reverso usando um estado adjunto. Ele propaga a sensibilidade do erro relevante para a tarefa através das dinâmicas de fase sem desdobrar explicitamente todo o grafo computacional, reduzindo significativamente as operações de passagem para trás (backward-pass) enquanto mantém a compatibilidade com a arquitetura UCNN.

Principais Contribuições

1. Arquitetura Inovadora: Introdução da UCNN, um modelo de valor de evento de magnitude-fase que unifica a precisão de valor contínuo com o tempo de evento orientado a fase em uma única estrutura computacional, eliminando a necessidade de módulos híbridos paralelizados.
2. Regra de Aprendizado Unificada: Desenvolvimento de um framework BP-BPTT que otimiza conjuntamente as vias de magnitude e fase, tratando-as como um grafo computacional unificado.
3. Algoritmo de Aprendizado Eficiente: Proposta da regra EAPL, que utiliza recursão do tipo adjunto para propagar a sensibilidade de fase, reduzindo a carga computacional em comparação ao desdobramento explícito.
4. Validação: Demonstração da eficácia do modelo em duas tarefas distintas: rastreamento de objetos de multimodalidade mista e a previsão de dinâmicas não lineares caóticas (atrator de Lorenz).

Resultados Experimentais
O artigo avalia a UCNN contra ANNs e SNNs padrão em duas tarefas:

• Rastreamento de Objeto (Objeto em Movimento em Caminho Circular):

  • Desempenho: A UCNN alcançou uma precisão de rastreamento entre a da ANN (maior precisão, entrada densa) e a da SNN (menor precisão, entrada binária). Especificamente, a UCNN reduziu significativamente o Erro Quadrático Médio (RMSE) e o erro máximo de rastreamento em comparação com a SNN, mantendo um perfil de erro mais estável e com menos jitter.
  • Atividade: A UCNN exibiu uma esparsidade intermediária — mais esparsa que a ANN densa, mas mais ativa que a SNN puramente de espigamento.
  • Trajetória: A trajetória da UCNN seguiu de perto o solo verdadeiro (ground truth), superando a SNN na captura de desvios locais e mantendo a consistência.

• Previsão do Atrator de Lorenz:

  • Desempenho: Ao aprender as dinâmicas não lineares acopladas do sistema de Lorenz, a UCNN treinada com EAPL alcançou o menor erro de treinamento e o menor RMSE em todos os componentes de estado ($x, y, z$) em comparação com as linhas de base ANN e SNN.
  • Estabilidade: A UCNN demonstrou estabilidade superior, com a distribuição de erro mais estreita e o menor erro máximo. Ela reconstruiu com sucesso a geometria do atrator com desvio mínimo, enquanto a SNN mostrou distorção significativa e a ANN mostrou desvios moderados.
  • Atividade: Semelhante à tarefa de rastreamento, a UCNN manteve a esparsidade orientada a eventos enquanto preservava um fluxo de informação mais rico do que a SNN.

Significância e Alegações
O artigo afirma que a UCNN consegue unir a lacuna entre a precisão de valor contínuo e o processamento temporal orientado a eventos. Ao integrar magnitude e fase em um único estado complexo assimétrico, o modelo elimina a sobrecarga arquitetônica das redes híbridas tradicionais. Os autores afirmam que a UCNN fornece um framework robusto e escalável para aplicações de neuromórficos e IA de borda (edge-AI), ofereando aprendizado espaço-temporal preciso ao mesmo tempo em que preserva a eficiência energética e a esparsidade da computação orientada a eventos. Os resultados sugerem que a formulação magnitude-fase é eficaz não apenas para tarefas de percepção visual, mas também para o aprendizado de sistemas dinâmicos caóticos complexos, posicionando a UCNN como um modelo de computação neural geral.