통합 복소수 신경망 (Unified Complex-valued Neural Network): 이벤트 기반 뉴로모픽 학습을 위한 크기-위상 계산

원문 발행 2026. 06. 28. 06:59원문 언어 영어AI 한국어 번역arXiv cs.AI 원문 보기

요약

연속적인 활성화와 위상 기반 이벤트 생성을 통합하는 새로운 신경 계산 모델인 UCN을 제안합니다. 복소수 상태를 활용하여 ANN의 정확성과 SNN의 이벤트 기반 효율성을 동시에 달성하며, 뉴로모픽 및 엣지 AI 애플리케이션에 최적화된 시공간 학습 능력을 입증했습니다.

핵심 포인트

복소수 크기와 위상을 활용한 통합 신경 계산 모델 UCN 제안
연속적 값 표현과 이벤트 기반 시간적 처리를 단일 구조로 통합
BP와 BPTT를 결합한 학습 프레임워크 및 효율적인 EAPL 규칙 도입
객체 추적 및 로렌츠 어트랙터 학습을 통해 시공간 학습 성능 검증

인공 신경망 (ANN)은 정확한 연속 값 표현 (continuous-valued representation)을 제공하는 반면, 스파이킹 신경망 (SNN)은 이벤트 기반의 시간적 처리 (event-driven temporal processing)를 제공합니다. 그러나 두 패러다임 모두 값 인코딩 (value encoding)과 타이밍 역학 (timing dynamics)이 단일 계산 구조 내에서 학습되어야 할 때 한계에 직면합니다. 본 논문은 비대칭 복소수 상태 (asymmetric complex-valued state)를 통해 연속적인 활성화 (continuous activation)와 위상 기반 이벤트 생성 (phase-driven event generation)을 통합하는 새로운 신경 계산 모델인 통합 복소수 뉴런 (Unified Complex-valued Neuron, UCN)에 기반한 네트워크를 소개합니다. UCN에서 크기 (magnitude)는 신호 강도를 인코딩하는 반면, 위상 (phase)은 고유한 시간적 진화 (intrinsic temporal evolution)와 값 기반 스파이크 방출 (valued spike emission)을 제어합니다. 먼저 크기 및 위상 경로를 통합적인 방식으로 최적화하기 위해 역전파 (backpropagation, BP)와 시간 기반 역전파 (backpropagation through time, BPTT)를 결합한 기초 학습 프레임워크를 개발했습니다. 계산 복잡도를 줄이기 위해, 더 효율적인 대안으로서 이벤트 기반 적응형 위상 학습 (event-driven adaptive phase learning, EAPL) 규칙을 도입합니다. 제안된 모델은 객체 추적 (object tracking) 및 로렌츠 어트랙터 (Lorenz attractor) 학습을 통해 평가됩니다. 결과는 UCN 기반 네트워크 (UCNN)가 뉴로모픽 및 엣지 AI (edge-AI) 애플리케이션을 위한 희소한 이벤트 기반 계산 (sparse event-driven computation)을 유지하면서도 정확하고 안정적이며 해석 가능한 시공간 학습 (spatiotemporal learning)을 제공함을 입증합니다.

AI 자동 생성 콘텐츠

원문 바로가기

통합 복소수 신경망 (Unified Complex-valued Neural Network): 이벤트 기반 뉴로모픽 학습을 위한 크기-위상 계산

요약

핵심 포인트

댓글