統一複數神經元 (UCN) 引領時序與連續學習新方向

背景與挑戰

人工神經網路（ANN）擅長連續值表示，脈衝神經網路（SNN）則能以事件驅動方式處理時序資訊。兩者在需要同時學習數值編碼與時間動態的情境下，都面臨結構與訓練上的限制。

統一複數神經元 (UCN) 概念

UCN 以非對稱的複數狀態作為神經元內部表示。複數的幅度負責編碼訊號強度，相位則主導內在時間演化與脈衝發射時機。這樣的設計讓單一神經元同時具備連續激活與相位驅動的事件產生能力。

訓練框架與效率提升

研究首先建立結合反向傳播（BP）與時間反向傳播（BPTT）的基礎訓練流程，統一優化幅度與相位兩條路徑。為降低計算複雜度，進一步提出事件驅動自適應相位學習（EAPL）規則，僅在事件觸發時更新相位參數，顯著減少運算量。

實驗驗證

模型在兩項任務上進行測試：

# 目標追蹤
model.train(tracking_dataset)
# Lorenz 吸引子學習
model.train(lorenz_dataset)

結果顯示 UCNN 在精度、穩定性與可解釋性方面均優於傳統 ANN 與 SNN，且保持稀疏事件驅動的計算特性，適合神經形態硬體與邊緣 AI 應用。

延伸閱讀

• 資安組織加速採用生成式 AI：從簽名防護到 AI 驅動威脅模型
• 以次常態高斯模糊數（SGFN）進行風險導向的 IDS 警示優先排序
• DA-GC：以資源條件化 Granger 因果與資源競爭模型實現 6G 切片即時攻擊歸因

原始來源：ArXiv AI

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。