面向核电厂监控系统顺序部署的神经形态持续学习
神经与进化计算
2026-04-22 v1 人工智能
机器学习
摘要
核电工业控制系统（ICS）的异常检测需要在多个子系统上进行连续、能源高效的监控，这些子系统常在电厂 commissioning 阶段的不同时间部署。当常规神经网络顺序训练以监控新子系统时，会发生灾难性遗忘，这是一种安全关键的失效模式。我们提出首个基于脉冲神经网络（SNN）的异常检测系统，集中解决了这两个挑战。我们的ethods 引入脉冲编码的异步传感器融合，采用基于 delta 的编码将异构传感器流转换为稀疏脉冲序列，稀疏度达 92.7%。我们对五种持续学习策略进行评估，包括顺序微调、弹性权重整合（EWC）、Synaptic Intelligence（SI）、经验回放以及一种混合 EWC+Replay 方法，基于 HAI 21.03 核电 ICS 安全数据集，在三个依次部署的子系统（锅炉、汽轮机、水处理）上进行测试。混合 EWC+Replay 方法实现平均 F1 分数为 0.979，近乎为零的平均遗忘（AF = 0.000 单一次种；0.035 +/- 0.039 跨三个一次种），同时仅需相当于等效人工神经网络的 12.6 倍更少的运算量（基于已发表硬件规范估算，约为 2.5 倍能耗）。该系统在测试的攻击检测延迟为 0.6 秒。这些结果表明，神经形态计算为下一代核电设施的始终在线、能源高效且可适应的安全监控提供了可行的路径。
引用
@article{arxiv.2604.18611,
title = {Neuromorphic Continual Learning for Sequential Deployment of Nuclear Plant Monitoring Systems},
author = {Samrendra Roy and Sajedul Talukder and Syed Bahauddin Alam},
journal= {arXiv preprint arXiv:2604.18611},
year = {2026}
}