面向英特尔 Loihi 2 的在线持续学习：通过共设计脉冲神经网络
机器学习
2026-05-07 v2 人工智能
分布式、并行与集群计算
神经与进化计算
摘要
边缘设备上的 AI 系统需要实现在线持续学习——在严格的功耗约束下适应非平稳数据流和陌生类别，同时避免灾难性遗忘。我们提出了 CLP-SNN，这是一种具有自归一化局部学习规则和脉冲驱动神经状态机的脉冲神经网络，可在英特尔 Loihi 2 神经形态处理器上实现自主芯片内学习。在 OpenLORIS 少样本实验中，CLP-SNN 能在无需回放的情境下匹配基于记忆重播的准确率。在 Loihi 2 上，CLP-SNN 的延迟降低了 113 倍（0.33 ms vs. 37.3 ms），能耗降低了 6600 倍（0.05 mJ vs. 333 mJ），超过最强边缘 GPU 基准。该收益可分解为算法效率提升（在相同 GPU 上延迟降低约 14.5 倍，能耗降低约 22.6 倍）和神经形态硬件共设计（延迟降低约 7.8 倍，能耗降低约 295 倍），利用事件驱动学习和稀疏分级脉冲通信。我们表明，共同设计的类脑算法和神经形态硬件可以突破边缘 AI 中传统的准确率-效率权衡。
引用
@article{arxiv.2511.01553,
title = {Online Continual Learning on Intel Loihi 2 via a Co-designed Spiking Neural Network},
author = {Elvin Hajizada and Danielle Rager and Timothy Shea and Leobardo Campos-Macias and Andreas Wild and Eyke Hüllermeier and Yulia Sandamirskaya and Mike Davies},
journal= {arXiv preprint arXiv:2511.01553},
year = {2026}
}