🤖 machine learning

Neuromorphic Wireless Split Computing with Resonate-and-Fire Neurons

Dieses Paper schlägt eine neuromorphe drahtlose Split-Computing-Architektur vor, die Resonate-and-Fire-Neuronen nutzt, um Streaming-Zeitbereichssignale mit abstimmbarer spektraler Resonanz direkt zu verarbeiten, wobei eine vergleichbare Genauigkeit zu konventionellen Modellen bei gleichzeitig signifikant reduzierten Spike-Raten und einem geringeren Energieverbrauch sowohl in der Berechnung als auch in der Übertragung erreicht wird.

Ursprüngliche Autoren: Dengyu Wu, Jiechen Chen, H. Vincent Poor, Bipin Rajendran, Osvaldo Simeone

Veröffentlicht 2026-06-16

📖 3 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Dengyu Wu, Jiechen Chen, H. Vincent Poor, Bipin Rajendran, Osvaldo Simeone

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie versuchen, eine lange, komplexe Geschichte über ein Walkie-Talkie an einen Freund zu senden. Die Geschichte ist voller spezifischer Klänge, wie etwa das Zwitschern eines Vogels in hoher Tonlage oder das Schlagen einer Trommel in einem tiefen Rhythmus.

Der alte Weg (LIF-Neuronen):
Derzeit nutzen die meisten „smarten“ Geräte eine Methode namens Leaky Integrate-and-Fire (LIF). Stellen Sie sich das wie eine Person vor, die Ihrer Geschichte zuhört, aber nur einfache „An/Aus“-Schalter versteht. Sie hört nicht natürlich die Tonhöhe des Vogels oder den Rhythmus der Trommel. Um die Geschichte zu verstehen, muss sie innehalten, eine detaillierte Partitur (eine Spektralanalyse) für jeden einzelnen Klang aufschreiben und diese massive Partitur dann an ihren Freund senden. Das verbraucht viel Energie und Zeit, und der Walkie-Talkie wird durch zu viele Daten verstopft.

Der neue Weg (Resonate-and-Fire-Neuronen):
Dieses Paper stellt einen klügeren Ansatz unter Verwendung von Resonate-and-Fire (RF)-Neuronen vor. Stellen Sie sich diese Neuronen wie Stimmgabeln vor.

Anstatt auf alles zu hören und es dann aufzuschreiben, ist jede dieser Neuronen auf eine bestimmte Frequenz abgestimmt (wie eine bestimmte Musiknote).
Wenn Sie ein Wort aussprechen, das dieser Note entspricht, vibriert die Stimmgabel stark und sendet ein Signal.
Wenn der Klang nicht übereinstimmt, bleibt die Stimmgabel ruhig.

Da diese Neuronen nur dann „feuern“ (ein Signal senden), wenn sie genau den Klang hören, auf den sie abgestimmt sind, bleiben sie die meiste Zeit stumm. Dies wird als Sparsity (Dünnbesetztheit) bezeichnet.

Das drahtlose Splitsystem:
Die Forscher haben ein System gebaut, bei dem dieses „Stimmgabel-Gehirn“ in zwei Teile gesplittet ist:

Der Sender (Das Ohr): Er hört auf den Rohklang (wie Audio oder Radiowellen) und nutzt diese Stimmgabel-Neuronen, um die wichtigen Frequenzen herauszufiltern. Da sie so effizient sind, senden sie nur wenige „Pieptöne“ (Spikes) durch die Luft.
Der Empfänger (Das Gehirn): Er empfängt diese wenigen „Pieptöne“ und findet heraus, was das Geräusch war (z. B. „Das war ein 5G-Signal“ oder „Das war das Wort ‚Hallo‘“).

Warum ist das eine große Sache?

Energieeinsparung: Im alten System musste der Sender eine riesige Menge an Daten senden (die Partitur). In diesem neuen System sendet er nur wenige „Pieptöne“. Da das Senden von Daten über die Luft am meisten Batterieleistung verbraucht, spart das Senden weniger Pieptöne massiv Energie.
Keine Extraschritte: Der alte Weg erforderte einen komplizierten Vorverarbeitungsschritt, um den Klang in eine Partitur umzuwandeln, bevor der Computer ihn verstehen konnte. Der neue Weg erledigt dies automatisch innerhalb der Neuronen selbst.
Bessere Genauigkeit: Das Paper testete dies bei der Erkennung gesprochener Ziffern und der Identifizierung verschiedener Arten von Funksignalen. Das neue „Stimmgabel“-System war genauso genau wie die alten, schweren Systeme, verbrauchte aber signifikant weniger Energie.

Das Fazente:
Das Paper zeigt, dass wir durch die Verwendung von Neuronen, die wie musikalische Stimmgabeln fungieren, drahtlose Geräte bauen können, die der Welt zuhören, die wichtigen Klänge herauspicken und sie mit einem Bruchteil der Batterieleistung, die die heutige Technologie erfordert, an einen Server senden. Es ist, als würde man den Versand eines 500-seitigen Buches durch das Versenden einer einzigen Postkarte ersetzen, auf der steht: „Es ist ein Vogel!“

Technische Zusammenfassung: Neuromorphes drahtloses Split-Computing mit Resonate-and-Fire-Neuronen

Problemstellung
Die moderne Edge-Intelligenz steht vor einer kritischen Herausforderung bei der Verarbeitung von kontinuierlichen Zeitreihen-Datenströmen, wie etwa Radiofrequenz- (RF) und Audiosignalen, die über reiche Spektralmerkmale verfügen. Konventionelle Deep-Neural-Network-Beschleuniger (DNN) sind für diese „Always-on“-Aufgaben mit kontinuierlichem Betrieb oft ungeeignet, da sie einen hohen Energieverbrauch aufweisen. Während das neuromorphe Computing mittels Spiking Neural Networks (SNNs) eine energieeffiziente, ereignisgesteuerte Alternative bietet, mangelt es Standardimplementierungen, die auf Leaky Integrate-and-Fire (LIF)-Neuronen basieren, an einer inhärenten Frequenzselektivität. Folglich erfordern LIF-basierte SNNs typischerweise kostspielige Vorverarbeitungsschritte, wie etwa Fast-Fourier-Transformationen (FFTs) oder Spektrogramme, um Frequenzbereichsmerkmale vor der Spike-basierten Verarbeitung zu extrahieren. Diese Vorverarbeitung erzeugt hochdimensionale Eingangsdaten, die größere Modelle erforderlich machen, was die Vorteile der Energie- und Latenzreduktion beim neuromorphen Inferencing – insbesondere in Split-Computing-Architekturen, in denen die Spike-Übertragung über drahtlose Kanäle einen signifikanten Flaschenhals für den Energieverbrauch darstellt – potenziell zunichtemacht.

Methodik
Das Paper schlägt eine neuromorphe drahtlose Split-Computing-Architektur vor, die konventionelle LIF-Neuronen durch Balanced Resonate-and-Fire (BRF)-Neuronen ersetzt. Dieser Ansatz zielt darauf ab, rohe Zeitbereichssignale direkt zu verarbeiten, wodurch die Notwendigkeit einer expliziten spektralen Vorverarbeitung entfällt.

Neuronenmodell: Das System verwendet BRF-Neuronen, die eine sub-schwellenwertbasierte Membranpotenzial-Oszillation aufweisen und bei abstimmbaren Frequenzen resonieren. Funktional wirken sie als Bandpassfilter, die oszillierende Eingänge akkumulieren und erst dann Spikes auslösen, wenn die Eingangsfrequenz mit der natürlichen Resonanz des Neurons übereinstimmt. Das Modell beinhaltet adaptive Refraktär-Mechanismen, um die Spiking-Aktivität zu steuern und das Gedächtnis vergangener Eingänge zu bewahren, was ein spärliches (sparse) Feuern sicherstellt.
Systemarchitektur: Das SNN ist zwischen einem Sender (Tx) und einem Empfänger (Rx) aufgeteilt. Der Tx kodiert Rohsignale (Audio oder Basisband) mittels eines kodierenden SNN mit BRF-Neuronen in Spike-Züge. Diese Spikes werden über einen drahtlosen Kanal unter Verwendung einer OFDM-basierten analogen Schnittstelle übertragen, wobei Spike-Ereignisse OFDM-Subcarrier modulieren. Der Rx dekodiert das empfangene Signal unter Verwendung eines dekodierenden SNN, um eine endgültige Klassifizierungsentscheidung zu treffen.
Optimierung: Das System wird unter Verwendung einer Verlustfunktion trainiert, die Cross-Entropy-Loss mit einem Sparsamkeits-fördernden Regularisierer kombiniert. Dieser Regularisierer, basierend auf dem Verhältnis der $\ell_1$ -Norm zur $\ell_2$ -Norm normalisierter Membranpotenziale, fördert weniger Spikes, um sowohl die Rechen- als auch die Übertragungsenergie zu reduzieren.
Energiemodellierung: Die Autoren entwickeln ein umfassendes Energiemodell, das sowohl synaptische Operationen (Gewicht-Akkumulation) als auch somatische Operationen (Neuronen-Dynamik) berücksichtigt. Im Gegensatz zu früheren Arbeiten, die somatische Kosten oft vernachlässigen, berechnet dieses Modell explizit die Energie der Additionen und Multiplikationen, die für die komplexen Dynamiken von BRF-Neuronen im Vergleich zu den realwertigen Dynamiken von Adaptive LIF (ALIF) und LIF-Neuronen erforderlich sind.

Wesentliche Beiträge

RF-Neuronen für drahtloses Split-Computing: Das Paper führt die Verwendung von Resonate-and-Fire (RF) und BRF-Neuronen in einer Split-SNN-Architektur ein. Diese Neuronen extrahieren inhärent zeitlich lokalisierte Spektralmerkmale aus Rohsignalen, was zu niederdimensionalen Repräsentationen und einer signifikant reduzierten Spiking-Aktivität im Vergleich zu LIF-basierten SNNs führt – und zwar sowohl mit als auch ohne FFT-Vorverarbeitung.
Systemdesign und Energieanalyse: Es wird ein vollständiges Systemdesign präsentiert, das eine OFDM-basierte analoge Schnittstelle zur Spike-Übertragung nutzt. Die Autoren liefern eine analytische Charakterisierung des gesamten Energieverbrauchs, die sowohl die Berechnung (synaptisch und somatisch) als auch die drahtlose Übertragung umfasst, und zeigen auf, wie die Spike-Sparsamkeit direkt in Einsparungen bei der Übertragungsenergie resultiert.
Experimentelle Evaluierung: Das vorgeschlagene RF-SNN Split-Computing-System wird auf zwei unterschiedlichen Aufgaben evaluiert:
- Audio-Klassifizierung: Unter Verwendung des Spiking Heidelberg Digits (SHD) Datensatzes.
- RF-Modulationsklassifizierung: Unter Verwendung des ITS-Radiosignal-Datensatzes (komplexe Basisband-Wellenformen).
  Die Studie vergleicht BRF-SNNs mit LIF-SNNs, ALIF-SNNs und konventionellen künstlichen neuronalen Netzen (ANNs).

Ergebnisse
Die experimentellen Ergebnisse auf beiden Datensätzen zeigen, dass die BRF-SNN-Architektur eine konkurrenzfähige Genauigkeit erreicht und gleichzeitig den Energieverbrauch erheblich reduziert:

Audio (SHD): Das BRF-Modell erreichte eine Genauigkeit von bis zu 93,3 % mit einer Rechenenergie von 8,77 µJ (RF) und 4,33 µJ (BRF), womit es LIF (82,0 % Genauigkeit, 30,44 µJ) und ALIF (89,7 % Genauigkeit, 22,01 µJ) deutlich übertrifft. In Split-Computing-Szenarien bei 100 m Entfernung erreichte BRF eine Genauigkeit von 92,9 % mit einer Gesamtenergie (Berechnung + Übertragung) von 6,73 µJ, verglichen mit 41,39 µJ bei LIF.
Radiofrequenz (ITS): BRF-Neuronen erreichten 87,7 % Genauigkeit mit 1,61 µJ Rechenenergie und übertrafen damit ALIF- und LIF-Modelle, die für eine geringere Genauigkeit eine höhere Energie benötigten.
Energie-Aufschlüsselung: Die Analyse bestätigt, dass die BRF-Neuronen zwar eine etwas höhere somatische Komplexität aufweisen, die massive Reduktion der Spike-Raten jedoch zu dominanten Einsparungen bei der synaptischen und Übertragungsenergie führt. Das System nutzt effektiv die „Resonanz“-Eigenschaft, um Rauschen zu filtern und sich auf die aufgabenrelevanten Spektralmerkmale zu konzentrieren.
Quantisierung: Die BRF-Modelle zeigten im Vergleich zu ALIF-Modellen eine stärkere Resilienz gegenüber Gewichtsquantisierung (4-Bit bis 8-Bit) und behielten selbst bei reduzierter Präzision eine hohe Genauigkeit bei.

Bedeutung und Behauptungen
Das Paper behauptet, dass durch die Einbettung der gelernten Frequenzanalyse direkt in die Dynamik der einzelnen Neuronen die vorgeschlagene Architektur eine effiziente Verarbeitung spektral reicher Zeitreihen-Signale ohne den Latenz- und Energie-Overhead einer externen spektralen Vorverarbeitung ermöglicht. Die Autoren führen aus, dass die Kombination der spektralen Sensitivität von RF-Neuronen mit einer geringen Overhead-analogen drahtlosen Schnittstelle eine einzigartig effiziente Lösung für Edge-Anwendungen wie drahtlose Sensorik und Audioerkennung schafft.

Die Arbeit unterstreicht, dass die inhärente Frequenzselektivität von RF- und BRF-Neuronen eine höhere spektrale Diskriminierung ermöglicht, was im Vergleich zu konventionellen LIF- und ALIF-Modellen zu verbesserten Genauigkeits-Energie-Effizienz-Verhältnissen führt. Die Autoren kommen zu dem Schluss, dass RF-basierte neuromorphe Modelle ein erhebliches Potenzial für die Ermöglichung von Low-Power-, Low-Latency-Intelligenz am drahtlosen Rand (Wireless Edge) bieten, insbesondere in Szenarien, in denen die Minimierung der Übertragungsenergie entscheidend ist. Als zukünftige Arbeit wird vorgeschlagen, diese Architektur auf komplexere sensorische Modalitäten auszuweiten und analoge Schaltungsimplementierungen der BRF-Dynamik zu untersuchen.

Mehr davon