面向空间应用的脉冲神经网络能效分析
神经与进化计算
2025-12-15 v1
摘要
尽管航天领域的指数级增长和新的操作概念要求更高的航天器自主性，但人工智能辅助空间系统的发展迄今仍受限于航天应用中典型的低功率和低能量可用性。在此背景下，脉冲神经网络（SNN）因其理论上卓越的能效而极具吸引力，这种能效源于神经元通过二进制脉冲进行通信所固有的稀疏活动。然而，SNN在实际任务中达到这种效率的能力仍有待实践证明。为评估在航天器上使用SNN的可行性，本工作对应用于EuroSAT数据集场景分类的不同SNN技术进行了数值分析和比较。此类任务对航天应用至关重要，并且鉴于有大量可用的竞争性方法建立基准，构成了一个宝贵的测试案例。我们特别强调基于时间编码的模型，其中关键信息被编码在神经元脉冲的时序中。这些模型有望实现更高的网络效率，因为它们最大化了SNN固有的稀疏特性。我们开发了一种与硬件无关的可靠度量标准，能够比较不同架构，从而在架构参数与航天器上可预期的能耗之间建立清晰的理论依赖关系。通过将其应用于预测BrainChip Akida AKD1000神经形态处理器的能耗，展示了这种新颖方法的潜力及其描述特定硬件平台的灵活性。
引用
@article{arxiv.2505.11418,
title = {Energy efficiency analysis of Spiking Neural Networks for space applications},
author = {Paolo Lunghi and Stefano Silvestrini and Dominik Dold and Gabriele Meoni and Alexander Hadjiivanov and Dario Izzo},
journal= {arXiv preprint arXiv:2505.11418},
year = {2025}
}