PhasorFlow: библиотека для вычислений на единичной окружности на Python

PhasorFlow — это открытая Python-библиотека, которая предлагает новый подход к вычислениям, основанный на единичной окружности S¹. Вместо традиционных нейронных сетей или квантовых вычислений, PhasorFlow использует комплексные фазоры и унитарные волновые гейты, что позволяет выполнять детерминированные и легковесные вычисления на классическом оборудовании. Эта библиотека может стать альтернативой для задач, где квантовые вычисления избыточны или недоступны, и открывает новые возможности в области машинного обучения, обработки сигналов и нейроморфных систем.

Основные компоненты PhasorFlow

PhasorFlow включает три ключевых вклада: формализация модели фазорных цепей, вариационный фазорный контур (VPC) и фазорный трансформер. Модель фазорных цепей состоит из N нитей и M гейтов, которые могут быть унитарными, нелинейными, нейроморфными или операциями кодирования. Всего библиотека поддерживает 22 типа гейтов, что обеспечивает гибкость при построении вычислительных графов. Вариационный фазорный контур напоминает вариационные квантовые контуры, но работает на классическом оборудовании. Он оптимизирует непрерывные фазовые параметры для задач классификации, используя геометрические градиенты. Фазорный трансформер заменяет механизм внимания QKᵀV на параметрически свободный слой дискретного преобразования Фурье (DFT), вдохновлённый архитектурой FNet. Это снижает вычислительную сложность и делает модель более эффективной.

Как PhasorFlow может изменить подход к вычислениям?

PhasorFlow предлагает детерминированную и легковесную парадигму, которая может быть альтернативой квантовым вычислениям для определённых задач. В отличие от квантовых компьютеров, требующих специального оборудования и охлаждения, PhasorFlow работает на обычных процессорах и использует непрерывные геометрические градиенты. Это делает её привлекательной для задач классификации, прогнозирования временных рядов и нейроморфных вычислений. Например, VPC показал себя как параметрически эффективный фазово-линейный классификатор, который, однако, имеет потолок чётности — глубинная архитектура не улучшает результаты. Фазорный трансформер, напротив, выигрывает от увеличения глубины до точки насыщения, но не превосходит современные методы глубокого обучения на крупных датасетах.

Какие задачи решает PhasorFlow?

Библиотека протестирована на нескольких типах задач: пространственная классификация, прогнозирование временных рядов, финансовая волатильность, нейроморфные задачи и анализ реальных ЭЭГ-данных моторных образов. В каждом случае PhasorFlow демонстрирует конкурентоспособные результаты, особенно в сценариях с ограниченными вычислительными ресурсами. Например, на задачах классификации с небольшим количеством признаков VPC может быть эффективнее полносвязных нейронных сетей. Для временных рядов фазорный трансформер показывает хорошие результаты без необходимости в сложных механизмах внимания.

Кому будет полезна эта библиотека?

PhasorFlow предназначена для разработчиков, которые ищут альтернативы традиционным нейронным сетям и квантовым вычислениям. Она будет интересна исследователям в области машинного обучения, обработки сигналов и нейроморфных систем. Библиотека с открытым исходным кодом позволяет легко экспериментировать и адаптировать её под конкретные задачи. Благодаря своей лёгкости, PhasorFlow может быть использована на устройствах с ограниченными ресурсами, таких как микроконтроллеры или мобильные устройства.

Какие ограничения есть у PhasorFlow?

Несмотря на преимущества, PhasorFlow имеет ограничения. На данный момент неясно, насколько библиотека масштабируется на большие задачи, такие как обработка изображений высокого разрешения или работа с крупными датасетами. Производительность фазорного трансформера не превосходит современные модели глубокого обучения, такие как трансформеры с вниманием, на сложных задачах. Кроме того, потолок чётности VPC означает, что глубокая архитектура не всегда даёт прирост точности. Эти ограничения требуют дальнейших исследований.

Как начать использовать PhasorFlow?

PhasorFlow доступна как открытая Python-библиотека. Для установки можно использовать pip. Документация включает примеры для каждой из основных функций: создание фазорных цепей, обучение VPC и построение фазорного трансформера. Рекомендуется начинать с простых задач классификации, чтобы понять принципы работы библиотеки. Сообщество активно развивается, и разработчики приветствуют вклад в виде новых гейтов или оптимизаций.

Заключение

PhasorFlow представляет собой инновационный подход к вычислениям, который объединяет идеи из квантовых вычислений и классического машинного обучения. Она предлагает детерминированную и лёгкую альтернативу для задач, где важна эффективность и простота. Хотя библиотека ещё не готова заменить современные глубокие нейронные сети во всех сценариях, она открывает новые возможности для исследований и приложений. Разработчики, интересующиеся новыми парадигмами, могут найти в PhasorFlow ценный инструмент.