PS-SNN: aprendizagem por separação de padrões para redes neurais espinho‑similares expansíveis em aprendizado incremental por classe

Por que ensinar máquinas a “lembrar” é importante

Sistemas de IA modernos são impressionantes, mas têm uma falha séria: quando aprendem algo novo, tendem a esquecer o que já sabiam. Essa “amnésia” é um grande obstáculo para robôs, telefones e outros dispositivos que precisam continuar aprendendo num mundo em mudança sem serem re-treinados do zero. O artigo sobre PS-SNN apresenta uma solução inspirada no cérebro para ajudar redes neurais espinho‑similares de baixo consumo a aprender novas categorias ao longo do tempo enquanto preservam o que já foi aprendido, apontando para uma IA mais inteligente e confiável que possa rodar em hardware de baixa potência.

O problema do esquecimento ao longo do tempo

A maioria dos modelos de IA é treinada uma vez em um conjunto de dados fixo e depois implantada. Na vida real, porém, os dados chegam em ondas: uma câmera pode ver novos tipos de objetos no mês seguinte que nunca foram rotulados antes. Quando uma rede neural padrão é atualizada com essas novas categorias, seu “espaço de características” interno é remodelado, e o desempenho em categorias anteriores frequentemente desaba — um fenômeno chamado esquecimento catastrófico. Isso é especialmente desafiador no aprendizado incremental por classe, onde o sistema deve reconhecer todas as categorias vistas até então sem ser informado de qual fase de treinamento elas pertencem. Redes neurais espinho‑similares, que se comunicam com pulsos elétricos breves como neurônios biológicos e são atraentes para chips de baixo consumo, sofrem do mesmo problema e receberam muito menos atenção que redes profundas convencionais.

Aprender com crescimento e separação no cérebro

A neurociência sugere duas ideias complementares para aprendizado ao longo da vida. Primeiro, o cérebro pode gerar novos neurônios, especialmente em uma região chamada hipocampo, permitindo armazenar memórias recentes sem sobrescrever as antigas. Segundo, outra parte do hipocampo, o giro denteado, é considerada um “separador de padrões”: experiências parecidas são mapeadas em padrões de atividade distintos e não sobrepostos para que não interfiram entre si. Métodos existentes de aprendizado contínuo para redes espinho‑similares tipicamente focam em alterar a estrutura da rede ou reutilizar dados antigos, mas ainda dependem de camadas de saída inicializadas aleatoriamente, o que pode causar deriva e sobreposição das representações internas das categorias à medida que novas tarefas chegam. Os autores argumentam que esse projeto negligenciado do classificador é uma fonte-chave de instabilidade.

Como o PS-SNN redefine o processo de aprendizado

PS-SNN combina essas duas ideias inspiradas no cérebro em uma rede espinho‑similar projetada para aprendizado incremental por classe. Quando novos grupos de classes chegam, a rede cresce adicionando módulos frescos de extração de características, enquanto módulos anteriores são congelados, ecoando a neurogênese e preservando conhecimentos anteriores. Ao mesmo tempo, em vez de aprender uma nova camada de saída do zero a cada vez, o método atribui a cada classe possível uma direção pré‑computada no espaço de características. Essas direções são construídas para serem mutuamente ortogonais, ou seja, cada classe é ancorada desde o início a um slot distinto e não sobreposto. Durante a primeira fase de treinamento, chamada aprendizagem por separação de padrões, o classificador permanece fixo e apenas os extratores de características se adaptam, forçando a representação baseada em pulsos de cada classe a se agrupar rigidamente em torno de sua direção atribuída e reduzindo conflitos entre tarefas antigas e novas.

Ajustes finos sem apagar memórias

Âncoras ortogonais melhoram muito a estabilidade, mas são também rígidas. Para recuperar flexibilidade, PS-SNN adiciona uma segunda etapa chamada aprendizagem de refinamento de padrões. Aqui, os extratores de características são congelados e apenas o classificador é ajustado, usando uma mistura cuidadosamente balanceada de exemplos antigos e novos para que nenhum grupo de classes domine. Essa etapa molda sutilmente as fronteiras de decisão entre as direções de classe já bem separadas, melhorando a discriminação — especialmente para categorias visualmente semelhantes — sem perturbar as representações subjacentes que foram estabilizadas na primeira etapa. O sistema também mantém uma pequena memória de replay de amostras passadas, o que ajuda a guiar ambas as etapas mantendo o armazenamento modesto.

O que os resultados significam para a IA do futuro

Testado em conjuntos de imagens padrão em que as classes chegam em múltiplas etapas, o PS-SNN supera significativamente métodos de aprendizado contínuo baseados em spikes anteriores e até rivaliza ou supera várias redes profundas convencionais líderes, tudo isso preservando as vantagens de economia de energia do cálculo baseado em pulsos. Ao combinar estrutura de rede expansível com âncoras de classe fixas e bem separadas, a abordagem reduz drasticamente a deriva lenta das representações internas que normalmente compromete o aprendizado de longo prazo. Para não especialistas, a conclusão é que este trabalho aproxima a IA da capacidade do cérebro de continuar aprendendo sem esquecer, em uma forma que poderia rodar de maneira eficiente em futuros chips neuromórficos embutidos em dispositivos do dia a dia.

Citação: Hu, K., Wen, L., Zhang, T. et al. PS-SNN: pattern separation learning for expandable spiking neural networks in class-incremental learning. Sci Rep 16, 12653 (2026). https://doi.org/10.1038/s41598-026-42970-6

Palavras-chave: aprendizado contínuo, redes neurais espinho‑similares, esquecimento catastrófico, computação neuromórfica, separação de padrões