SPARQ：面向能效边缘AI的脉冲早退出神经网络
机器学习
2026-03-17 v1 人工智能
硬件体系结构
摘要
脉冲神经网络（SNN）因其基于事件驱动的计算模型而在能源效率方面具有天然优势，使其成为边缘AI部署的有前景的选择。然而，其实际应用受限于深层架构的计算开销以及缺乏输入自适应控制。本工作提出SPARQ（Spiking Early-Exit Neural Networks），一个统一框架，集成脉冲计算、量化感知训练和强化学习引导的早期退出，以实现高效且自适应的推理。跨越MLP、LeNet和AlexNet等架构的评估表明，提出的量化动态脉冲神经网络（QDSNN）在不同数据集上均显著优于传统SNN和QSNN，准确率提升最高可达5.15%，系统能耗降低超过330倍，突触运算次数减少超过90%。这些结果验证了SPARQ作为硬件友好型、高效能的边缘实时AI解决方案。
引用
@article{arxiv.2603.14380,
title = {SPARQ: Spiking Early-Exit Neural Networks for Energy-Efficient Edge AI},
author = {Parth Patne and Mahdi Taheri and Ali Mahani and Maksim Jenihhin and Reza Mahani and Christian Herglotz},
journal= {arXiv preprint arXiv:2603.14380},
year = {2026}
}