[논문 리뷰] Enhancing Energy Efficiency and Reliability in Autonomous Systems Estimation using Neuromorphic Approach

Reza Ahmadvand, Safura Sharifi외 1명|arXiv (Cornell University)|2023. 07. 16.

Advanced Memory and Neural ComputingEngineering인용 수 3

한 줄 요약

이 논문은 자율 시스템의 에너지 효율성과 신뢰성을 향상시키기 위해 스파iking 신경망(SNNs)을 사용하는 뉴모르픽 추정 프레임워크를 제안한다. 학습 없이 시스템 모델에서 유도된 가중치를 사용하여 SNN 기반 칼만 필터(SNN-KF)와 강건한 SNN-MSIF를 설계함으로써, 스파이크 발산을 약 97% 감소시키고 모델링 오차와 뉴런 손실 상황에서도 뛰어난 정확도와 강건성을 확보하였다. 이는 저-SWaP 자율 시스템에 매우 높은 잠재력을 보여준다.

ABSTRACT

Energy efficiency and reliability have long been crucial factors for ensuring cost-effective and safe missions in autonomous systems computers. With the rapid evolution of industries such as space robotics and advanced air mobility, the demand for these low size, weight, and power (SWaP) computers has grown significantly. This study focuses on introducing an estimation framework based on spike coding theories and spiking neural networks (SNN), leveraging the efficiency and scalability of neuromorphic computers. Therefore, we propose an SNN-based Kalman filter (KF), a fundamental and widely adopted optimal strategy for well-defined linear systems. Furthermore, based on the modified sliding innovation filter (MSIF) we present a robust strategy called SNN-MSIF. Notably, the weight matrices of the networks are designed according to the system model, eliminating the need for learning. To evaluate the effectiveness of the proposed strategies, we compare them to their algorithmic counterparts, namely the KF and the MSIF, using Monte Carlo simulations. Additionally, we assess the robustness of SNN-MSIF by comparing it to SNN-KF in the presence of modeling uncertainties and neuron loss. Our results demonstrate the applicability of the proposed methods and highlight the superior performance of SNN-MSIF in terms of accuracy and robustness. Furthermore, the spiking pattern observed from the networks serves as evidence of the energy efficiency achieved by the proposed methods, as they exhibited an impressive reduction of approximately 97 percent in emitted spikes compared to possible spikes.

연구 동기 및 목표

• 우주 로봇 및 고급 공중 이동성과 같은 자율 시스템에서 저크기, 저중량, 저소비전력(SWaP) 컴퓨팅에 대한 증가하는 수요를 해결하기 위해.
• 자원 제약 조건 하에서 자율 시스템의 상태 추정에서 에너지 효율성과 신뢰성을 향상시키기 위해.
• 학습이 필요 없는 스파iking 신경망(SNNs)을 활용하는 뉴모르픽 추정 프레임워크를 개발하기 위해.
• 실시간 추정 작업에서 모델링 불확실성과 뉴런 손실에 대한 강건성을 향상시키기 위해.

제안 방법

• 시스템 모델에서 직접 유도된 가중치를 사용하여 학습이 필요 없는 SNN 기반 칼만 필터(SNN-KF)를 제안한다.
• 수정된 슬라이딩 인노베이션 필터(MSIF) 기반의 강건한 변형인 SNN-MSIF를 도입하며, 이는 시스템 모델 기반의 가중치 행렬을 사용한다.
• 스파이크 코딩 이론을 활용하여 상태 추정치를 시간적 스파이크 패턴으로 인코딩함으로써 에너지 효율적인 계산을 가능하게 한다.
• 정확도와 강건성 측면에서 고전적 KF와 MSIF와 비교하기 위해 몬테카를로 시뮬레이션을 수행한다.
• 최대 가능한 스파이크 수 대비 스파이크 수 감소율을 측정하여 에너지 효율성을 평가한다.
• 뉴런 손실과 모델링 불확실성 하에서 SNN-MSIF와 SNN-KF의 성능을 비교함으로써 강건성을 분석한다.

실험 결과

연구 질문

• RQ1 뉴모르픽 SNN 기반 칼만 필터는 에너지 소비를 크게 줄이며 고전적 KF와 비교해 유사하거나 더 높은 추정 정확도를 달성할 수 있는가?
• RQ2 SNN-MSIF 프레임워크는 SNN-KF에 비해 모델링 불확실성과 부분적 뉴런 장애 상황에서 어떻게 성능을 발휘하는가?
• RQ3 SNN에서의 스파이크 코딩은 자율 시스템 추정에서 계산 에너지 소비를 어느 정도 줄일 수 있는가?
• RQ4 SNN에서 시스템 모델에서 유도된 가중치는 추정 성능를 유지하면서 학습이 필요 없도록 만들 수 있는가?
• RQ5 뉴모르픽 추정 프레임워크에서 에너지 효율성과 추정 정확도 사이의 상충 관계는 어떠한가?

주요 결과

• 제안된 SNN-KF는 고전적 칼만 필터와 유사한 추정 정확도를 달성하여 뉴모르픽 대안으로서의 실현 가능성을 입증하였다.
• SNN-MSIF는 SNN-KF에 비해 모델링 불확실성과 뉴런 손실에 대해 뛰어난 강건성을 보이며, 실세계 구현에 더 적합하다.
• SNN 기반 프레임워크는 최대 가능한 스파이크 수 대비 약 97%의 스파이크 발산 감소를 달성하여 높은 에너지 효율성을 나타내었다.
• SNN 내의 스파이크 패턴은 시스템이 최소 활동 상태로 작동하고 있음을 확인하며, 뉴모르픽 하드웨어의 에너지 절감 잠재력과 부합한다.
• 모델 기반 가중치 초기화로 인해 학습이 불필요해져 계산 오버헤드가 감소하고 신뢰성이 향상되었다.
• 몬테카를로 시뮬레이션은 SNN-MSIF가 악조건에서도 높은 정확도를 유지하며 SNN-KF에 비해 강건성 면에서 뛰어나다는 것을 확인하였다.