EdgeSpike：エッジIoTアーキテクチャにおける低電力自律センシングのためのスパイキングニューラルネットワーク

Abstract

本研究では、エッジIoT（Internet of Things）アーキテクチャにおける自律的な低消費電力センシングのための、共同設計スパイキングニューラルネットワーク（SNN）フレームワーク「EdgeSpike」を提案します。EdgeSpikeは、(i) ハイブリッドなサロゲート・グラディエントとダイレクト・エンコーディングによる学習パイプライン、(ii) 推論時のエネルギーおよびメモリ予算によって制約されるハードウェア対応ニューラルアーキテクチャ探索（NAS）、(iii) Intel Loihi 2、SpiNNaker 2、ならびに汎用のARM Cortex-Mマイクロコントローラを対象に、カスタムのスパイク・スパースSIMDカーネルで実現するイベント駆動型ランタイム、(iv) バックプロパゲーションなしでオンデバイスの継続的適応を可能にする軽量なローカル可塑性ルール、を統合します。本フレームワークは、3つのハードウェアターゲット上で、5つのセンシング課題（キーワードスポッティング、振動ベースの機械故障検出、表面筋電（EMG）ジェスチャ認識、77 GHzレーダによる人間活動分類、ならびに構造ヘルス監視のためのアコースティック・エミッション監視）にわたって評価されます。EdgeSpikeは、強力なINT8畳み込みニューラルネットワーク（CNN）のベースライン（平均92.6%）に対して、1.2パーセンテージポイント（pp）以内で平均91.4%の分類精度を達成し、ニューロモーフィック・ハードウェアではエネルギーを1推論あたり18倍から47倍（平均31倍）削減し、Cortex-Mでは4.6倍から7.9倍（平均6.1倍）削減します。エンドツーエンドのレイテンシは、15の課題・ハードウェア構成すべてで9.4 ms以下に維持されています。7か月、64ノードの無線フィールド展開により、予測バッテリー寿命が6.3倍延長（2 Wh/ノードで312日から1978日へ）され、季節ドリフト下でも精度低下が抑制されることが確認されました（オンデバイス適応ありで0.7 pp、なしで2.1 pp）。ハードウェア対応NASは8400件の候補を評価し、12点のパレートフロントを得ます。EdgeSpikeは、再現可能な学習パイプライン、ハードウェア移植可能なランタイム、ベンチマークスイートとともに、オープンソースとして公開されます。