Neues Phasor-Circuit: Effiziente Klassifizierung von Gehirn-Computer-Signalen

Eine neu entwickelte Lernarchitektur namens Variational Phasor Circuit (VPC) nutzt die kontinuierliche Einheitskreismanifold \(S^1\) und arbeitet deterministisch im klassischen Bereich. Inspiriert von variationalen Quantenkreisen ersetzt VPC die üblichen dichten, reellen Gewichtsmatrizen durch anpassbare Phasenverschiebungen, lokale unitäre Mischungen und strukturierten Interferenzmechanismus im komplexen Raum.

Durch diese phasenbasierte Gestaltung entstehen kompakte Entscheidungsgrenzen, die sowohl für binäre als auch für mehrklassige Klassifikationen von räumlich verteilten Signalen geeignet sind. Ein einzelner VPC‑Block liefert bereits leistungsfähige Klassifikatoren, während gestapelte VPC‑Kompositionen das Modell durch Inter‑Block‑Pull‑Back‑Normalisierung tiefer machen und damit komplexere Zusammenhänge erfassen können.

In synthetischen Benchmarks für Gehirn‑Computer‑Interfaces konnte VPC schwierige mentale Zustandsklassifikationen mit konkurrenzfähiger Genauigkeit lösen und dabei deutlich weniger trainierbare Parameter als herkömmliche euklidische Baselines benötigen. Diese Ergebnisse zeigen, dass Phaseninterferenz auf dem Einheitskreis eine praktikable und mathematisch fundierte Alternative zu dichten neuronalen Netzen darstellt.

Die Autoren sehen VPC sowohl als eigenständigen Klassifikator als auch als Front‑End‑Kodierungsschicht für zukünftige hybride Phasor‑Quanten‑Systeme. Damit eröffnet die Technologie neue Perspektiven für effiziente, phasenbasierte Lernmodelle in der Neurotechnologie.