EdgeSpike：面向边缘 IoT 架构的低功耗自主感知脉冲神经网络
摘要
我们提出 EdgeSpike，一个面向边缘 Internet of Things（IoT）架构中低功耗自主感知的脉冲神经网络（SNN）框架。EdgeSpike 统一了 (i) 混合代理梯度和直接编码训练管道、(ii) 受推理能耗和内存预算限制的硬件感知神经网络搜索（NAS）、(iii) 针对 Intel Loihi 2、SpiNNaker 2 和带有定制脉冲稀疏 SIMD 内核的通用 ARM Cortex-M 微控制器的事件驱动运行时，以及 (iv) 一种轻量级本地塑性规则，使其能够在不进行反向传播的情况下实现持续设备适应。该框架在三个硬件目标上评估了五个感知任务（关键词识别、振动式机器故障检测、皮肤电肌电图手势识别、77 GHz 雷达人类活动分类和结构健康声学发射监测）。EdgeSpike 在所有 15 个任务-硬件配置中实现了 91.4% 的平均分类准确率，仅低于强 INT8 卷积神经网络（CNN）基线（平均 92.6%），同时在神经形态硬件上降低推理能耗 18 倍至 47 倍（平均 31 倍），在 Cortex-M 上降低 4.6 倍至 7.9 倍（平均 6.1 倍）。端到端延迟始终保持在 9.4 毫秒以下。七个月、64 节点的无线现场部署确认，设备电池寿命延长 6.3 倍（从 312 天延伸至 1978 天，每节点 2 Wh），并在季节漂移下保持准确率下界（0.7 pp 内置适应 vs 2.1 pp 无适应）。硬件感知 NAS 评估 8400 个候选方案，产生 12 点 Pareto 前沿。EdgeSpike 将作为开源发布，包含可复现的训练管道、硬件可移植运行时和基准套件。
引用
@article{arxiv.2604.27004,
title = {EdgeSpike: Spiking Neural Networks for Low-Power Autonomous Sensing in Edge IoT Architectures},
author = {Gustav Olaf Yunus Laitinen-Fredriksson Lundstrom-Imanov and Taner Yilmaz},
journal= {arXiv preprint arXiv:2604.27004},
year = {2026}
}
备注
9 pages, 6 figures, 10 tables. Submitted to IEEE Internet of Things Journal