Neuromorphic Wireless Split Computing with Resonate-and-Fire Neurons

技術要約：共鳴発火（Resonate-and-Fire）ニューロンを用いたニューロモーフィック無線分割コンピューティング

問題提起
現代のエッジ・インテリジェンスは、無線周波数（RF）や音声信号のような、豊かなスペクトル特徴を持つストリーミング時系列データの処理において、極めて重要な課題に直面しています。従来のディープニューラルネットワーク（DNN）アクセラレータは、これら「常時オン」かつ連続的なタスクに対しては、消費電力が高すぎるため適していないことが多くあります。スパイクニューラルネットワーク（SNN）を用いたニューロモーフィック・コンピューティングは、エネルギー効率の高いイベント駆動型の代替案を提供しますが、標準的なLeaky Integrate-and-Fire（LIF）ニューロンの実装は、固有の周波数選択性を欠いています。その結果、LIFベースのSNNは、スパイクベースの処理を行う前に、高速フーリエ変換（FFT）やスペクトログラムなどのコストの高い前処理ステップによって周波数領域の特徴を抽出する必要があるのが一般的です。この前処理は高次元の入力を生成するため、モデルを大型化させる必要があり、特にスパイクの無線通信が大きなエネルギーボトルネックとなる分割コンピューティング・アーキテクチャにおいて、ニューロモーフィック推論のエネルギーおよびレイテンシの利点を打ち消してしまう可能性があります。

手法
本論文では、従来のLIFニューロンをBalanced Resonate-and-Fire (BRF) ニューロンに置き換えた、ニューロモーフィック無線分割コンピューティング・アーキテクチャを提案しています。このアプローチは、明示的なスペクトル前処理を排除し、生の時系列信号を直接処理することを目指しています。

• ニューロンモデル: システムは、閾値下での膜電位振動を示し、調整可能な周波数で共鳴するBRFニューロンを利用します。機能的には、これらはバンドパスフィルタとして作用し、振動的な入力を蓄積し、入力周波数がニューロンの自然共鳴周波数と一致したときにのみスパイクを発火させます。このモデルは、スパイク活動を制御し、過去の入力の記憶を保持してスパイクの疎性を確保するために、適応型不応期メカニズムを組み込んでいます。
• システムアーキテクチャ: SNNは、送信機（Tx）と受信機（Rx）の間に分割されています。Txは、BRFニューロンを用いたエンコーディングSNNを使用して、生の信号（音声またはベースバンド）をスパイク列へとエンコードします。これらのスパイクは、スパイクイベントがOFDMサブキャリアを変調するOFDMベースのアナログインターフェースを介して無線チャネル経由で送信されます。Rxは、最終的な分類決定を下すために、デコーディングSNNを使用して受信信号をデコードします。
• 最適化: システムは、クロスエントロピー損失と、スパース性を促進する正則化項を組み合わせた損失関数を用いて訓練されます。この正則化項は、正規化された膜電位の$\ell_1$ノルムと$\ell_2$ノルムの比に基づいており、計算および送信エネルギーを削減するために、より少ないスパイクを促します。
• エネルギーモデリング: 著者らは、シナプス演算（重みの累積）とソマティック演算（ニューロンのダイナミクス）の両方を考慮した包括的なエネルギーモデルを開発しました。ソマティックなコストを見落としがちな先行研究とは異なり、このモデルは、BRFニューロンの複雑なダイナミクスと、Adaptive LIF (ALIF) および LIF ニューロンの実数値ダイナミクスとの間で必要とされる加算および乗算のエネルギーを明示的に計算しています。

主な貢献

1. 無線分割コンピューティングのためのRFニューロン: 本論文は、分割SNNアーキテクチャにおけるResonate-and-Fire (RF) および BRF ニューロンの使用を導入しています。これらのニューロンは、生の信号から局所的なスペクトル特徴を本質的に抽出し、LIFベースのSNNと比較して、（FFTによる前処理の有無にかかわらず）より低次元の表現と大幅に減少したスパイク活動を実現します。
2. システム設計とエネルギー分析: スパイク送信のためのOFDMベースのアナログインターフェースを備えた完全なシステム設計が提示されています。著者らは、計算（シナプスおよびソマティック）と無線送信の両方を含む総エネルギー消費の解析的な特性付けを行い、スパイクの疎性がどのように直接的に送信エネルギーの節約につながるかを実証しています。
3. 実験的評価: 提案されたRF-SNN分割コンピューティングシステムは、2つの異なるタスクで評価されています。
   • 音声分類: Spiking Heidelberg Digits (SHD) データセットを使用。
   • 無線周波数変調分類: ITS無線信号データセット（複素ベースバンド波形）を使用。
     本研究では、BRF-SNNをLIF-SNN、ALIF-SNN、および従来の人工ニューラルネットワーク（ANN）と比較しています。

結果
両方のデータセットにおける実験結果は、BRF-SNNアーキテクチャが競争力のある精度を達成しながら、エネルギー消費を大幅に削減できることを示しています。

• 音声 (SHD): BRFモデルは、計算エネルギーがRFで8.77 µJ、BRFで4.33 µJである中で、最大93.3%の精度を達成し、LIF（精度82.0%、30.44 µJ）およびALIF（精度89.7%、22.01 µJ）を大幅に上回りました。100mの距離での分割コンピューティングのシナリオにおいて、LIFが41.39 µJであったのに対し、BRFは92.9%の精度を維持しつつ、総エネルギー（計算＋送信）6.73 µJを達成しました。
• 無線周波数 (ITS): BRFニューロンは87.7%の精度を達成し、1.61 µJの計算エネルギーを要したALIFおよびLIFモデルよりも優れた性能を示しました。
• エネルギーの内訳: 分析により、BRFニューロンはソマティックな複雑さがわずかに高いものの、スパイク率の大幅な減少が、シナプスおよび送信エネルギーにおける支配的な節約につながることが確認されました。システムは「共鳴」特性を効果的に利用してノイズをフィルタリングし、タスクに関連するスペクトル特徴に焦点を当てています。
• 量子化: BRFモデルは、ALIFモデルと比較して重みの量子化（4ビットから8ビット）に対する強い耐性を示し、精度を低下させることなく高い精度を維持しました。

意義と主張
本論文は、学習された周波数解析を個々のニューロンのダイナミクスに直接組み込むことで、提案されたアーキテクチャが、外部のスペクトル前処理に伴うレイテンシやエネルギーのオーバーヘッドなしに、スペクトル豊かな時系列信号の効率的な処理を可能にすると主張しています。著者らは、RFニューロンのスペクトル感度と低オーバーヘッドのアナログ無線インターフェースの組み合わせが、無線センシングや音声認識のようなエッジアプリケーション向けに、極めて効率的なソリューションを生み出すと断言しています。

本研究は、RFおよびBRFニューロンの固有の周波数選択性が、より高いスペクトル識別を可能にし、それが従来のLIFおよびALIFモデルと比較して、精度とエネルギー効率のトレードオフを向上させることを強調しています。著者らは、RFベースのニューロモーフィックモデルが、特に送信エネルギーの最小化が重要となるシナリオにおいて、低電力・低レイテンシのインテリジェンスを無線エッジで実現するための大きな可能性を秘めていると結論付けています。今後の課題として、このアーキテクチャをより複雑な感覚モダリティへ拡張すること、およびBRFダイナミクスのアナログ回路実装を調査することが示唆されています。