[論文レビュー] Energy-Efficient Neuromorphic Computing for Edge AI: A Framework with Adaptive Spiking Neural Networks and Hardware-Aware Optimization

Olaf Yunus Laitinen Imanov, Derya Umut Kulali+3 more|arXiv (Cornell University)|Feb 2, 2026

Advanced Memory and Neural Computing被引用数 0

ひとこと要約

NeuEdgeは、ハイブリッド時系列スパイクエンコーディング、ハードウェア適応型共最適化、適応閾値を組み合わせたホリスティックなニューロモorphicフレームワークを提供し、複数のニューロモルフプラットフォームで高精度とリアルタイムレイテンシを実現する省エネエッジAIを実現する。

ABSTRACT

Edge AI applications increasingly require ultra-low-power, low-latency inference. Neuromorphic computing based on event-driven spiking neural networks (SNNs) offers an attractive path, but practical deployment on resource-constrained devices is limited by training difficulty, hardware-mapping overheads, and sensitivity to temporal dynamics. We present NeuEdge, a framework that combines adaptive SNN models with hardware-aware optimization for edge deployment. NeuEdge uses a temporal coding scheme that blends rate and spike-timing patterns to reduce spike activity while preserving accuracy, and a hardware-aware training procedure that co-optimizes network structure and on-chip placement to improve utilization on neuromorphic processors. An adaptive threshold mechanism adjusts neuron excitability from input statistics, reducing energy consumption without degrading performance. Across standard vision and audio benchmarks, NeuEdge achieves 91-96% accuracy with up to 2.3 ms inference latency on edge hardware and an estimated 847 GOp/s/W energy efficiency. A case study on an autonomous-drone workload shows up to 312x energy savings relative to conventional deep neural networks while maintaining real-time operation.

研究の動機と目的

• エネルギーと遅延のボトルネックをニューロモルフィック計算で解消する。
• SNNのエンコーディング、訓練、マッピング、実行時適応を共同最適化するホリスティックフレームワークを開発する。
• 複数のニューロモルフプラットフォームでの実世界展開と包括的なエネルギー測定を示す。
• 利用率を最大化しつつエネルギーを最小化するハードウェア認識型の共最適化を示す。

提案手法

• レートと正確なスパイクタイミングを組み合わせたHybrid Temporal Encodingを導入し、スパイク数を4.7x削減する。
• ネットワークトポロジーとオンチップマッピングを共同最適化して高コア利用を実現するHardware-Aware Network Designerを提案する。
• 入力統計からニューロン発火閾値を動的に調整するAdaptive Threshold Mechanismを開発する。
• サロゲート勾配とハードウェアを意識した損失成分を用いたエンドツーエンドのNeuEdge Trainingアルゴリズムを提供する。
• Intel Loihi 2、IBM TrueNorth、Raspberry Pi 4、NVIDIA Jetson Nanoでエネルギーとレイテンシのプロファイリングを行い検証する。

Figure 1: NeuEdge framework architecture integrating hybrid temporal encoding, hardware-aware co-optimization, adaptive training, and runtime optimization for energy-efficient edge deployment.

実験結果

リサーチクエスチョン

• RQ1 ハイブリッド時系列スパイクエンコーディングは、エッジのニューロモルフハードウェア上でスパイク数を削減しつつ特徴表現を改善できるか。
• RQ2 ネットワーク設計とハードウェアマッピングを共最適化してチップ利用率を最大化し、コア間通信を最小化できるか。
• RQ3 低活動のエッジ環境で、適応閾値付与は精度を損なわずエネルギーを著しく削減できるか。
• RQ4 複数のニューロモルフプラットフォームとエッジデバイスへNeuEdgeを展開する際の実世界のエネルギーとレイテンシの利点はどの程度か。
• RQ5 エッジデバイス上で視覚・音声タスクにおいて、NeuEdgeが最先端の効率を達成できる範囲はどの程度か。

主な発見

Method	Platform	Accuracy (%)	Latency (ms)	Power (mW)	Energy/Inf (mJ)	Efficiency (GOp/s/W)
NeuEdge	Loihi 2	92.4	4.2	287	1.21	412
Standard SNN	Loihi 2	88.7	8.9	380	3.38	127
ANN-SNN	Loihi 2	91.2	12.3	410	5.04	98.3
Hybrid encoding (CIFAR-10 baseline)	Jetson Nano	92.1	18.4	3420	62.9	12.4
Quantized DNN	Raspberry Pi	91.3	47.2	1840	86.8	5.8
DVS Gesture — Standard SNN	Loihi 2	94.8	3.7	324	1.20	284
DVS Gesture — ANN-SNN	Loihi 2	95.9	5.1	356	1.82	218
DVS Gesture — NeuEdge	Loihi 2	96.7	2.3	241	0.55	847
MobileNetV2	Jetson Nano	94.7	14.2	2980	42.3	18.9
Standard SNN — TrueNorth	TrueNorth	91.4	6.8	78	0.53	312
NeuEdge — TrueNorth	TrueNorth	93.2	4.1	67	0.27	524

• NeuEdgeは視覚と音声タスクの両方で91-96%の精度を達成。
• エネルギー効率は847 GOp/s/W、エッジ遅延は2.3 msに達する。
• Loihi 2ではハードウェア利用率が89%（ナイーブマッピング時の47%から改善）となり、シナプスメモリは78%に達する。
• ハイブリッドエンコーディングによりスパイクが4.7x削減される（CIFAR-10ベースラインで4.8M→1.9M）。
• Adaptive thresholdingは低活動シナリオで電力を約67%削減する。
• NeuEdgeはエッジCPU上でGPUベースラインより最大312倍、従来NNより89倍のエネルギー改善を実現する。

Figure 2: Resource utilization on Loihi 2 comparing NeuEdge with naive mapping (cores, synapses, and inter-core traffic).