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.