Near-Sensor Damage Localization in Multi-Story Buildings with Level-Crossing Spike Encoding and a Compact Spiking Neural Network

技術要約：レベル交差スパイク符号化とコンパクトなスパイキングニューラルネットワークを用いた、多層建築物の近接センサによる損傷局所化

問題提起
ワイヤレスの電池駆動型加速度計ノードは、振動に基づく構造ヘルスモニタリング（SHM）において標準的な手法である。しかし、その動作寿命は、連続的なアナログ・デジタル変換（ADC）、ノード上での推論、および無線通信に伴うエネルギーコストによって制約を受ける。1D畳み込みニューラルネットワーク（1D-CNN）のような従来のデータ駆動型手法は、構造物が活動状態にあるか静止状態にあるかにかかわらず、固定された高密度な演算を行うため、消費エネルギーが情報の含有量ではなく経過時間に依存してしまう。本研究の課題は、計算コストとデータ量が信号の活動量に応じてスケールするイベント駆動型のアプローチを用いることで、局所化の精度を犠 Verlust することなく、バッテリー寿命を延ばしながら、多層建築物の剛性低下による損傷を特定することである。

手法
著者らは、モードフィルタバンク、レベル交差エンコーダ、およびコンパクトなスパイキングニューラルネットワーク（SNN）からなる、近接センサ・パイプラインを提案している。

1. 構造モデルとデータ生成： 本研究では、環境励起（0.5–20 Hz）下にある5層のせん断型建物モデルをシミュレートしている。損傷は、層間の剛性の局所的な分数減少（15–40%）としてモデル化されている。分類タスクには、健全な状態1つと、5つの損傷状態（各階に1つずつ）の計6クラスが含まれる。
2. センサ・フロントエンド：
   • モードフィルタバンク： 各階の加速度信号は、4つの因果的な第4次バンドパスフィルタ（0.8–14 Hz）からなるフィルタバンクを通過する。これにより、信号はサブバンドに分離され、モード成分やモード形状の情報が抽出される。これはアナログの前処理段階として機能する。
   • レベル交差符号化： 各フィルタ済みサブバンドは、レベル交差（時間的コントラスト）エンコーダによってデジタル化される。信号が実行中の参照値から固定閾値 $\theta$ だけ逸脱したときにのみ、イベント（ONまたはOFFスパイク）が放出される。これにより、疎なバイナリスパイクテンソルが生成される。ここで、閾値 $\theta$ は、精度、計算コスト、およびデータレートのトレードオフを制御する単一のコントロールノブとして機能する。
3. 分類器： コンパクトなフィードフォワード型SNNがスパイクストリームを処理する。このネットワークは、64個のLeaky Integrate-and-Fire（LIF）ニューロンへと投影される入力層と、6ユニットのリーキー・インテグレーターへと投影される層で構成されている。ネットワークは、非微分的なスパイク関数を扱うために、サロゲート勾配を用いたBackpropagation Through Time（BPTT）を用いて学習される。
4. エネルギー計上： エネルギー推定は、45 nm CMOSテクノロジーにおける演算数（CNNの場合はMAC、SNNの場合はシナプス演算）に基づいている。本研究では、アナログフィルタバンクの電力、センシング、メモリ移動、および無線通信を除外し、推論アルゴリズムの比較計算エネルギーのみに焦点を当てている。

主な貢献

1. イベント駆動型パイプライン： 本論文は、モードフィルタバンクがレベル交差符号化および小型SNNに先行する、特定のアーキテクチャを導入している。これにより、単一の閾値パラメータ（$\theta$）が精度、計算コスト、およびデータレートを共同で制御できることを示している。
2. 精度とエネルギーの特性評価： 著者らは、提案されたSNNの性能を、高密度な1D-CNNベースラインおよび古典的なモード特徴分類器（SVMおよびランダムフォレスト）に対して体系的にマッピングしている。これにより、精度を維持しながらエネルギー消費を1桁変化させることができるパレート・フロントを明らかにしている。
3. アブレーション解析： 本研究はパイプラインの重要なコンポーネントを分離し、モードフィルタバンクが性能の不可欠な実現要素である一方で、再帰結合はこの特定のタスクには不要であり、かつエネルギー消費を増大させることを証明している。
4. メカニズムの解釈可能性： 著者らは、学習されたスパイク活動を構造力学に関連付けている。具体的には、損傷が各階のスパイク活動に空間的に構造化された変化をもたらし、分類器がブラックボックス的なパターンではなく、その変化を利用していることを示している。

結果

• 精度： 6クラスの局所化タスクにおいて、提案されたフィードフォワード型SNNは、動作閾値（$\theta=0.6$）において87.2%のテスト精度を達成した。これは、高密度な1D-CNNベースライン（89.2%）と2パーセントポイント以内の差である。
• エネルギー効率： 動作点において、SNNは推論あたり推定49.1 nJ（FP32相当）を必要とし、これは1D-CNNの317.5 nJと比較して、推定計算エネルギーを6.5倍削減していることを示している。
• パレート・フロント： $\theta$ をスイープすることで、SNNは様々な動作点を実現した。$\theta=0.8$ では、精度は86.0%を維持しつつ、エネルギーは35.5 nJへと低下した（8.9倍の削減）。$\theta=1.8$ では、精度は66.7%に低下したが、エネルギーは9.5 nJまで減少した。
• データ削減： レベル交差フロントエンドは、閾値に応じて、センサから出力されるデータ量をナイキストサンプリングと比較して最大13.7倍（ビット数）削減した。
• ベースライン： モード特徴を用いた調整済みの古典的SVMは最高の精度（94.3%）を記録し、ランダムフォレストは86.3%であった。INT8量子化CNNは、13.8 nJで89.2%の精度を達成した。
• アブレーション： フィルタバンクを除去すると、精度は87.2%から59.7%へと崩壊した。SNNに再帰を加えると、精度は向上せず（83.8%に低下）、エネルギーは3.4倍増加した。提案されたSNNと同じフィルタバンクに高密度CNNを適用した場合、93.5%の精度に達したが、エネルギーは提案SNNの18.6倍に達した。
• 堅牢性： SNNは、15–40 dBの信号対雑音比（SNR）において79–87%の精度を維持した。局所化は初期の損傷（15–20%の剛性低下）において最も困難であったが、深刻な損傷（35–40%の損失）に対しては100%に近い精度に達した。

意義と主張
本論文は、その貢献を、純粋な精度の飛躍的な向上ではなく、**「競争力のある精度を備えた、イベント駆動型かつ低データレートのセンシング」**のデモンストレーションとして明確に位置づけている。

• 価値提案： このパイプラインの主な価値は、活動量に比例した動作にある。連続的にエネルギーを消費する高密度なパイプラインとは異なり、このアプローチは構造物が動いてイベントが発生したときにのみエネルギーを消費する。これは、構造物が静止していることが多い常時稼働型センサにとって極めて重要である。
• 主張の謙抑性： 著者らは、提案されたSNNが、調整済みの古典的SVM（94.3%）や高密度な1D-CNN（89.2%）の精度を上回るものではないことを明確に述べている。利点は、センシングのモダリティ（疎なイベントストリーム）と、それに伴うデータ転送および計算負荷の削減にある。
• 範囲： 本研究は、5層のせん界型フレームを用いた制御されたシミュレーションである。著者らは、実験的なベンチマーク（IASC-ASCE、Z24橋など）や、環境変動を伴う実規模のフィールドデータでの検証が、次のステップとして必要であることを認め、フィールドでの即時的な汎用性を主張していない。
• 今後の展望： 本論文は、単一のコントロールノブ（$\theta$）が、リアルタイムの状況に基づいてエネルギーと解像度のバランスを動的に調整できる適応型モニタリング戦略を可能にすることを示唆している。