Low-Power, Neuromorphic, Acoustic Anomaly Detection for Persistent Machine Monitoring

Статья переносит одноклассовое обнаружение неисправностей по звуку на нейроморфный процессор Intel Loihi 2 и измеряет не только точность, но и задержку с энергией. Это полезный противовес работам, где «малое потребление» оценивают по числу операций: здесь модель действительно исполняется на плате, а сравнение проведено с CPU и GPU. Однако звуковые признаки пока вычисляются вне чипа, поэтому это ещё не полностью автономный датчик.

Метод. Из центральной секунды записи строится логарифмический мел-спектр, затем усредняется по времени в вектор из 400 или 416 значений. Полносвязный автоэнкодер с узким слоем на 32 нейрона для ToyADMOS и 12 для DCASE обучается только на нормальных звуках. После обучения веса переводятся в знаковый 8-битный формат, накопители и активации ограничиваются 24 битами. Нормировка, восстановление, L1-ошибка и сравнение с порогом выполняются на Loihi 2; за пределами чипа остаётся расчёт мел-признаков.

Результаты. На чистом ToyADMOS ToyCar получены AUC 0,9959 и частичная AUC 0,9785 при доле ложных тревог не выше 0,1. На шумном DCASE 2026 ToyCar исходная область дала AUC 0,7990, целевая область 0,6466, частичная AUC 0,6426; у опубликованной базовой системы соответствующие значения 0,7728, 0,5317 и 0,5825. Особенно важен прирост на целевой области, где условия отличаются от обучающих. Вычислительная часть занимает 281 мкс на пример вместе с Ethernet и 48,3 мкс при заранее загруженном входе, то есть укладывается в реальное время с большим запасом.

Ограничения. Проверен только класс ToyCar, причём решение использует усреднённую центральную секунду и не моделирует временное развитие неисправности. Параметры опыта на DCASE подбирались с использованием размеченной части для разработки, поэтому это не результат на скрытом испытании. Расчёт мел-спектра исключён из замеров, а 16-чиповая плата сильно проигрывает компактному устройству по постоянному потреблению. Одночиповые значения 0,54 и 0,13 мДж на пример лишь оценены, но не измерены.

Фишка из статьи. Заявленное преимущество в 126–496 раз относится к динамической энергии вычисления. Полная энергия даёт более скромную, но всё равно полезную картину, потому что у большой VPX-платы постоянное питание доминирует над работой самой модели.

Как это читать: с Ethernet динамическая часть Loihi требует примерно в 474 раза меньше энергии, чем CPU, и в 126 раз меньше, чем GPU. Если считать всю плату, преимущество сокращается примерно до 7,2 и 2,1 раза соответственно. Для постоянно включённого датчика именно это различие между энергией модели и энергией платформы определяет практическую ценность результата.