グリーン・ウェアラブル・コンピューティングに向けて：エネルギー効率の高いIMUベースの人間活動認識のための物理性を考慮したスパイキングニューラルネットワーク

要旨: ウェアラブルIMU（慣性計測装置）に基づくヒト行動認識（HAR）は、深層ニューラルネットワーク（DNNs）に大きく依存しているが、それらは膨大な計算負荷とバッファリング要求によって重い負担を負っている。電力を大量に消費する浮動小点演算と、時間的ウィンドウ全体を処理しなければならないという厳格な要件は、バッテリー制約のあるエッジデバイスの動作を著しく損なう。スパイキングニューラルネットワーク（SNNs）は、極めて高いイベント駆動型のエネルギー効率を提供する一方で、複雑な生体力学的トポロジーや、時間的な勾配の劣化に関しては、標準的なアーキテクチャではうまく対応できない。そこでこのギャップを埋めるために、本研究ではグリーンHARのために明示的に最適化された、乗算器フリーの完全なアーキテクチャであるPhysics-Aware Spiking Neural Network（PAS-Net）を提案する。空間的には、適応的な対称トポロジーミキサによってヒト関節の物理的制約を強制する。時間的には、O(1)-メモリの因果的ニューモジュレータにより、文脈を考慮した動的しきい値ニューロンを生成し、非定常な運動リズムに対して能動的に適応する。さらに、時間的なスパイク誤差の目的関数を活用することで、連続するIMUストリームに対する柔軟な早期終了（early-exit）メカニズムを解き放つ。7つの多様なデータセットで評価した結果、PAS-Netは高精度を達成しつつ、密な演算を疎な0.1 pJの整数蓄積で置き換える。重要な点として、確信度（confidence）駆動型の早期終了機能により、動的エネルギー消費を最大98
%まで大幅に削減する。PAS-Netは、常時オンのウェアラブルセンシングに向けた、堅牢で超低電力のニューロモーフィック標準を確立する。