Salida temprana como disparo LIF umbral: métrica de potencia para profundidad adaptativa consciente de dificultad

La inferencia de Transformer procesa cada entrada a través de todas las N capas independientemente de la dificultad. Los métodos de salida temprana reducen este costo insertando clasificadores en capas intermedias y produciendo salida cuando la confianza es suficiente. Los métodos existentes — umbral de entropía y el mecanismo de paciencia (Zhou et al., 2020) — usan señales estáticas: o bien el nivel actual de confianza o si la predicción ha cambiado recientemente. Ninguno rastrea si la confianza está mejorando en relación con una trayectoria esperada adaptativa. Proponemos aplicar la métrica estocástica de potencia P(t) = E(t) × W(t) como criterio de salida, donde E(t) mide la confianza real relativa a la confianza esperada adaptable y W(t) es el EWMA de si E(t) superó 1.0 en capas recientes. Esto es estructuralmente idéntico al modelo de neurona Leaky Integrate-and-Fire (Cantrell 2026): el modelo dispara — sale — cuando la evidencia acumulada de confianza cruza un umbral. En un estudio de simulación calibrado con la arquitectura BERT-base (12 capas, 600 entradas en cuatro niveles de dificultad), la métrica de potencia logra un ahorro computacional del 55.9% con preservación de precisión del 99.7%, comparado con ahorros del 14.6% (umbral de confianza) y 52.6% (paciencia) ambos al 100% de precisión. Fundamentalmente, la métrica de potencia es el único método que escala correctamente la asignación de capas con la dificultad de entrada: entradas fáciles salen en un promedio de 3.6 capas, medianas en 5.2, difíciles en 6.3. Estos hallazgos son preliminares; la validación en modelos reales BERT/GPT con clasificadores de salida entrenados es el siguiente paso requerido. Palabras clave: salida temprana, computación adaptativa, inferencia de transformer, mecanismo de paciencia, umbral de entropía, métrica de potencia, neurona LIF, asignación consciente de dificultad, BERT