技术摘要：边缘端的在线气体分类

问题陈述

从便携式安全监测器到移动机器人，化学传感领域的现场应用面临着真实环境带来的重大挑战。湍流羽流会产生复杂的空间和时间结构，导致由于气流和局部浓度梯度，同一混合物的痕量成分会发生显著变化。此外，气体传感器（特别是金属氧化物或 MOX 传感器）在其运行寿命期间存在灵敏度和选择性的漂移问题，因此需要定期的重新校准。

现有的分类流水线与这些条件匹配度极低。它们通常假设受控的采样周期，具有明确的基线-暴露-恢复阶段，并依赖离线特征提取，且需要计算昂贵的模型，只能在完成一个完整周期后才发出预测。这些约束阻碍了在能量受限环境下进行自主、长时运行的能力。目标是开发一种轻量化、响应快速、能够从有限标记数据中进行在线重新校然，并适用于超低功耗边缘部署的系统。

方法论

生物启发

所提出的架构受到昆虫嗅觉系统的启发，该系统仅利用几千个神经元即可实现高选择性和高灵敏度，且功耗低于毫瓦级。该系统模拟了生物学的“扩展与稀疏化”（expand-and-sparsify）变换：

1. 触角叶（AL）类比： 将密集的受体信号扩展到蕈状体（MB）中的稀疏高维（HD）表示。
2. 局部保持： 这种变换诱导了一种局部保持的高维嵌入，类似于局部敏感哈希（LSH），从而促进了快速且稳健的关联学习。

扩展与稀疏化网络

拟议流水线的核心是一个直接处理原始传感器阵列读数（无需等待稳态）的神经网络。该架构分为两个主要阶段运行：

1. 高维扩展：

   • 使用固定的随机二进制矩阵将原始传感器读数映射到高维空间。
   • 为了增强维度，输入向量包括原始传感器读数、一阶和二阶时间导数（通过后向差分近似）、成对通道差异以及比例。这产生了一个 136 维的特征向量。
   • 投影使用随机二进制矩阵 $W \in \{0, 1\}^{N \times M}$，其中系数取自伯努利分布。

2. 稀疏化（k-胜者为王，k-WTA）：

   • $k$-胜者为王（k-WTA）机制从密集投影中选择前 $k$ 个最活跃的单元，将其设为 1，其余设为 0。
   • 这产生了一个稀疏的高维二进制代码（$z_{sparse}$）。
   • 从理论上讲，这个过程近似于一个非线性核函数，在通过稀疏二进制投影维持计算效率的同时，诱导了非线性可分性。

3. 读取与学习：

   • 分类： 单层前馈层将稀疏代码映射到类别输出。其权重是二进制的，并使用基于赫布（Hebbian）的局部学习进行训练。具体而言，如果突触前输入处于激活状态且存在教师信号（目标类别），则突触以概率 $p$ 进行增强。
   • 频率估计（计数草图/Count Sketch）： 该架构自然地实现了计数草图。通过维护一个“始终开启”学习的单个神经元，系统可以追踪类别呈现的频率。输出神经元的活动随重复呈现而线性增加直至饱和，从而使系统能够区分熟悉的刺激与新颖的刺激。

硬件实现

该网络在混合信号神经形态处理器 TEXEL 上进行了演示。

• 约束： 芯片在亚阈值模拟状态下运行，具有二进制权重和脉冲时间依赖可塑性（STDP）。
• 编码： 传感器数据在芯片外被编码为稀疏高维向量（长度 2000，稀疏度 90%）。
• 推理： 两个读取群体（各 40 个神经元）接收输入向量。通过比较两个群体在 250ms 窗口内的脉冲计数来确定分类。

关键结果

1. 动态混合物的在线分类

系统在单种气体（乙烯、甲烷、一氧化碳）和二元混合物的随机序列上进行了评估。与传统方法不同，系统是从瞬态传感器响应而非稳态来分类气体身份。

• 性能： 在二元混合物数据集（类别呈非线性可分）上，1-bit 赫布读取的准确率优于线性 SVM（0.645 对比 0.563）。
• 与非线性模型的比较： 虽然在简单的单种气体数据上，二进制赫布读取略逊于线性 SVM，但在复杂混合物上，它接近了优化后的非线性径向基函数（RBF）SVM 的性能。
• 上限： 在相同的稀疏表示上，使用 64-bit 梯度下降线性读取达到了与优化后的 RBF SVM 相当的准确率（在混合物上为 0.791 对比 0.800），证实了稀疏高维嵌入有效地使特征空间线性化。

2. 少样本学习与重新校准

该网络展示了极高的数据效率，这对于标记数据稀缺的设备端重新校准至关重要。

• 仅通过 3 次暴露（每类一次），网络达到了 0.596 的准确率（显著高于随机水平）。
• 通过 21 次暴露（每类 7 次），准确率达到 0.801，这已达到最大性能的 90% 左右。
• 网络在 48 次暴露（每类 16 次）时达到近乎峰值的准确率，实现了 0.866 ± 0.037，与峰值准确率 0.886 ± 0.033 重叠。
• 学习速度由增强概率 $p$ 控制。较高的 $p$ (0.1) 允许更快的学习（在 105 次暴露时达到峰值），但会引入更高的方差以及在大规模数据集下的潜在破坏性干扰。

3. 时间动力学

系统能快速预测气体身份。准确率从 $t=0$ 时的接近随机水平开始上升，并在传感器达到稳态之前就能实现可靠预测，验证了使用瞬态响应进行分类的方法。

4. 片上演示

该系统已成功部署在 TEXEL 芯片上，用于危险气体检测（检测一氧化碳对比乙烯/甲烷）。

• 准确率： 74.6%（通过约登指数优化）。
• 能量效率： 系统每次推理消耗 482 nJ，并保持 27 µW 的静态功耗。
• 架构适配性： 使用稀疏二进制权重和局部学习规则使该架构非常适合芯片的亚阈值模拟电路，避免了运行密集型高精度浮点运算的高昂成本。

意义与主张

论文声称，扩展与稀疏化架构为超低功耗边缘气体分类提供了一条可行路径。其意义体现在以下几个方面：

1. 效率： 它仅使用二进制权重和局部赫布学习，即可在复杂的混合气体分类上实现具有竞争力的性能，其能量消耗比在通用微控制器（如 ARM Cortex M4）上运行的同类流水线低了数个数量级。
2. 对非平稳性的鲁棒性： 通过对瞬态响应和随机刺激序列进行操作，该系统避免了传统模型所需的严格基线-暴露-恢复协议，使其适用于湍流的真实环境。
3. 适应性： 该架构支持设备端少样本重新校准。设备可以用极少的参考气体消耗和停机时间来更新其类别原型，解决了传感器漂移的关键问题。
4. 双重功能： 同一架构在执行分类的同时还能维持在线频率估计（计数草图），使系统能够区分熟悉刺激与新颖刺激——这一能力对于自主导航和安全监测至关重要。

作者总结道，这种方法架起了生物效率与工程需求之间的桥梁，为在资源受限的边缘设备上部署智能、自适应的化学传感器奠定了基础。