[논문 리뷰] Energy-Efficient Neuromorphic Computing for Edge AI: A Framework with Adaptive Spiking Neural Networks and Hardware-Aware Optimization

Olaf Yunus Laitinen Imanov, Derya Umut Kulali외 3명|arXiv (Cornell University)|2026. 02. 02.

Advanced Memory and Neural Computing인용 수 0

한 줄 요약

NeuEdge는 에너지 효율이 높고 정확도와 실시간 대기 시간을 달성하는 다중 뉴로모픽 플랫폼용 하이브리드 템포럴 인코딩, 하드웨어 인식 공동 최적화 및 적응 임계치를 결합한 포괄적 뉴로모픽 프레임워크를 제시합니다.

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.

연구 동기 및 목표

• 엣지 AI의 에너지 및 지연 병목 현상을 뉴로모픽 컴퓨팅을 활용하여 해결한다.
• SNN을 위한 인코딩, 학습, 매핑 및 런타임 적응을 공동으로 최적화하는 포괄적 프레임워크를 개발한다.
• 다수의 뉴로모픽 플랫폼에서 실제 세계 배치를 시연하고 포괄적 에너지 측정을 수행한다.
• 활용도 최대화와 에너지 최소화를 달성하는 하드웨어 인식 공동 최적화를 선보인다.

제안 방법

• 레이와 정확한 스파이크 타이밍을 결합한 하이브드 템포럴 인코딩으로 스파이크를 4.7배 감소시킨다.
• 고유한 플랫폼 매핑 및 네트워크 토폴로지의 공동 최적화를 통해 높은 코어 활용을 달성하는 하드웨어 인식 네트워크 디자이너를 제안한다.
• 입력 통계에서 뉴런 발화 임계치를 동적으로 조정하는 적응 임계 메커니즘을 개발한다.
• Surrogate gradient 및 하드웨어 의식 손실 구성요소를 갖춘 엔드투엔드 NeuEdge 학습 알고리즘을 제공한다.
• 에너지 및 지연 프로파일링을 통해 Intel Loihi 2, IBM TrueNorth, Raspberry Pi 4 및 NVIDIA Jetson Nano에서 검증한다.

실험 결과

연구 질문

• RQ1 하이브리드 템포럴 스파이크 인코딩이 엣지 뉴로모픽 하드웨어에서 스파이크 수를 줄이면서 피처 표현을 개선할 수 있는가?
• RQ2 네트워크 설계와 하드웨어 매핑을 공동 최적화하여 칩 활용을 극대화하고 코어 간 통신을 최소화할 수 있는가?
• RQ3 저활동 엣지 시나리오에서 적응 임계가 정확도를 해치지 않으면서 에너지를 크게 감소시키는가?
• RQ4 다수의 뉴로모픽 플랫폼 및 엣지 디바이스에 NeuEdge를 배치했을 때 실세계 에너지 및 지연 이점은 무엇인가?
• RQ5 엣지 디바이스에서 비전 및 오디오 작업에 대해 NeuEdge가 최첨단 효율성을 달성할 수 있는 정도는 어느 수준인가?

주요 결과

방법	플랫폼	정확도(%)	지연(ms)	전력(mW)	에너지/추정(mJ)	효율성(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
하이브리드 인코딩 (CIFAR-10 베이스라인)	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

• NeuEdge는 비전 및 오디오 작업에서 91-96%의 정확도를 달성한다.
• 에너지 효율은 847 GOp/s/W에 도달하며 엣지 지연은 2.3 ms다.
• Loihi 2에서 하드웨어 활용도는 89%로 향상되며(초기 매핑 대비 47%), 시냅스 메모리는 78%로 증가한다.
• 하이브리드 인코딩으로 스파이크가 4.7배 감소한다( CIFAR-10 베이스라인에서 4.8M에서 1.9M으로 감소).
• 적응 임계화는 저활동 시나리오에서 전력을 약 67% 감소시킨다.
• NeuEdge는 엣지 CPU에서 GPU 베이스라인 대비 최대 312배의 에너지 개선과 일반 NN 대비 89배의 개선을 제공한다.